Data-Indicateur

  • Numérique, IA, qualité : les trois axes qui redessinent le système de santé en 2025

    La doctrine du numérique en santé 2025 fait du numérique une véritable infrastructure critique du système de santé, en fixant un cadre plus contraignant aux Entreprises du Numérique en Santé sur la sécurité, l’interopérabilité, l’éthique et l’usage des référentiels nationaux. Elle clarifie l’urbanisation du système d’information de santé autour de services socles (identité nationale de santé, Pro Santé Connect, référentiels d’interopérabilité, messageries sécurisées, Mon espace santé, etc.) et conditionne les financements publics au respect de ces exigences.​

    Concrètement, 2025 voit la généralisation de l’appli carte Vitale, l’accélération de l’ordonnance numérique et la montée en charge de Mon espace santé comme point d’entrée unique pour les documents, examens et messageries patients, ce qui structure les parcours au‑delà des seuls établissements. L’écosystème est incité à se « brancher » sur ces socles via des API standardisées, ce qui met sous pression les éditeurs et start‑up qui doivent se conformer à ces règles de sécurité et d’interopérabilité s’ils veulent rester dans le jeu des financements Ségur et des appels à projets publics.​

    IA et données de santé : une stratégie nationale outillée

    Le deuxième volet de la stratégie nationale « IA et données de santé » publié en 2025 affirme la volonté de faire de la France un acteur de référence en matière d’IA appliquée au soin, à la recherche et à la santé publique. Cette stratégie organise la gouvernance autour d’instances partagées, consolide le rôle du Health Data Hub et des entrepôts de données hospitaliers, et cible des cas d’usage prioritaires (imagerie, triage, prédiction de complications, optimisation des parcours, etc.).​

    La Journée nationale de l’innovation en santé numérique 2025 consacre ce virage en mettant en avant un portefeuille de projets IA et data de plus en plus matures, nourris par plus de 120 projets lauréats et un accompagnement de centaines de milliers d’innovateurs au fil des dernières années. Santé publique France, de son côté, annonce l’utilisation de l’IA générative et de capacités de calcul haute performance pour accélérer l’analyse des signaux sanitaires, la détection d’épidémies et la production de connaissances, ce qui marque le passage à un usage opérationnel de l’IA en santé publique.​

    Qualité des soins : l’expérience patient devient un résultat à piloter

    La HAS consolide en 2024‑2025 un mouvement de fond : passer d’une logique de conformité des moyens à une logique de résultats et d’expérience vécue par les patients. Les indicateurs de qualité et de sécurité des soins sont enrichis, la collecte d’indicateurs de résultats à partir des bases médico‑administratives est rendue plus systématique, et le référentiel de certification 2025‑2030 consacre un objectif entier à la place du patient et de son expérience.​

    En pratique, cela se traduit par la montée en puissance des PROMS et PREMS (mesures rapportées par les patients) comme outils d’évaluation de la pertinence et du succès des prises en charge, au‑delà des simples indicateurs de processus. L’expérience patient devient un levier d’amélioration continue : implication dans les démarches qualité, participation aux comités, co‑construction des parcours, intégration des retours dans les plans d’actions, ce qui déplace progressivement la culture qualité vers une culture de partenariat patient‑soignant.​

    Santé publique : priorité prévention, menaces et inégalités

    Le programme de travail 2025 de Santé publique France s’inscrit dans le contrat d’objectifs 2024‑2028 et structure son action autour de grands enjeux : anticipation des menaces sanitaires, santé environnementale, maladies chroniques, santé mentale, santé maternelle et infantile, et réduction des inégalités de santé. L’établissement réaffirme l’importance de la surveillance épidémiologique et du recours aux données massives, tout en développant des démarches de prévention ciblées vers les populations les plus exposées, notamment dans les territoires défavorisés.​

    Santé publique France investit dans des infrastructures numériques permettant la collecte, le traitement et la visualisation de données multi‑sources, avec l’appui d’outils d’IA pour accélérer la production de signaux utiles à la décision. Cette stratégie traduit un basculement du système vers une logique de santé publique proactive : repérer tôt, prévenir, orienter et adapter les réponses aux besoins des populations plutôt que se limiter à la gestion des crises.​

    Médico‑social et ESMS : numériser les parcours de vie

    Le programme ESMS numérique, piloté par la CNSA en lien avec la DNS, l’ANS et l’ANAP, porte l’ambition d’équiper l’ensemble des établissements et services sociaux et médico‑sociaux d’un dossier usager informatisé (DUI) interopérable d’ici fin 2025. Doté de plus de 600 millions d’euros sur 2021‑2025, dont 450 millions dédiés au soutien direct des projets, il vise à embarquer environ 36 000 ESSMS à travers quelque 1 400 projets territoriaux.​

    Le DUI est pensé comme le cœur du système d’information médico‑social, permettant de documenter les besoins, les plans personnalisés d’accompagnement et les interventions au fil du temps, puis de partager ces informations avec les professionnels sanitaires via l’interopérabilité avec le DMP, la messagerie sécurisée et Mon espace santé. Le programme repose sur trois leviers : soutien méthodologique et financier aux ESSMS, pilotage régional renforcé via les ARS et les GRADeS, et accélération de l’offre logicielle conforme aux exigences nationales (interopérabilité, sécurité, ergonomie, référencement Ségur).​

    IA en santé : promesse clinique et enjeux de gouvernance

    Le livret de la FHF « L’IA en santé – qui est le maître ? » met en lumière en 2025 la tension centrale entre l’apport clinique des algorithmes et le risque de perte de contrôle par les professionnels et les patients sur les décisions de santé. Les établissements publics y voient à la fois un levier pour améliorer le diagnostic, optimiser les flux et soutenir les équipes épuisées, et un terrain de vigilance sur les biais, l’explicabilité, la transparence et la responsabilité médico‑légale.​

    Les retours d’expériences montrent que l’IA est mieux acceptée lorsqu’elle est intégrée comme outil d’aide à la décision, dans des organisations accompagnées, formées et dotées de gouvernances éthiques et de comités de suivi. En 2025, la question n’est plus tant « faut‑il faire de l’IA ? » que « comment la gouverner, la financer et la déployer à l’échelle tout en gardant le contrôle clinique et éthique ? ».​

    Un système sous tension : finances, RH et attractivité

    Malgré ces dynamiques, 2025 reste une année de fortes tensions sur la soutenabilité du système de santé, avec des signaux d’alerte récurrents sur les conditions de travail, le recrutement et la fidélisation des professionnels. Les analyses économiques soulignent le risque d’une double peine : des établissements contraints de faire toujours plus de transformation (virage ambulatoire, territorialisation, numérique) dans un contexte de marges financières limitées, au risque d’accentuer la fatigue organisationnelle.​

    Les travaux prospectifs sur l’avenir du système recommandent de combiner transformation numérique, refonte des organisations de soins primaires et renforcement du collectif de travail, plutôt que d’empiler les dispositifs. Territoires de santé, communautés professionnelles, GHT et coopérations médico‑sociales sont identifiés comme les bons niveaux pour articuler stratégie numérique, projets IA, amélioration de la qualité et prévention, à condition d’y associer étroitement les usagers.​

    Enseignements structurants pour 2025

    Trois enseignements se dégagent pour le secteur de la santé :

    • Le numérique en santé sort de la phase expérimentale et devient un socle structurant, avec une doctrine renforcée, des financements ciblés et des exigences élevées envers les industriels.​
    • La qualité se redéfinit autour des résultats et de l’expérience patient, avec des indicateurs orientés vers ce que vivent les patients, à l’hôpital comme en ville et dans le médico‑social.​
    • L’IA et les données de santé passent du statut de promesse à celui de levier opérationnel, à condition de s’inscrire dans une gouvernance robuste, d’être reliées à la prévention et de ne pas ignorer les tensions humaines et financières qui traversent le système.

     

  • Interopérabilité en santé : d’un impératif technique à une obligation réglementaire structurante

    L’interopérabilité en santé désigne la capacité des logiciels, dispositifs, applications et entrepôts de données à dialoguer entre eux, à échanger des informations compréhensibles de bout en bout et à les réutiliser sans ressaisie humaine. Derrière cette définition technique se joue une transformation beaucoup plus large : la manière dont la France et l’Union européenne encadrent juridiquement les formats, la qualité, la circulation et la réutilisation des données de santé, depuis le cabinet de ville jusqu’aux grandes infrastructures nationales et européennes. 

    Un socle légal français qui rend les référentiels opposables 

    Le premier tournant majeur s’est opéré avec la structuration du cadre légal français autour de l’article L.14702 du Code de la santé publique, qui impose que les services numériques en santé soient conformes à des référentiels d’interopérabilité, de sécurité et d’éthique élaborés par le groupement chargé de la transformation numérique en santé et approuvés par les pouvoirs publics. Le texte ne vise pas seulement les échanges techniques : il encadre l’ensemble des usages numériques autour des données de santé à caractère personnel, qu’il s’agisse d’échange, de partage, de conservation ou de transmission. L’objectif affiché est clair : favoriser à la fois la coordination des parcours de soins, l’amélioration de la qualité et de l’efficience du système et le développement de la recherche clinique, dans un cadre normé et sécurisé. 

    Ce changement de statut, d’une logique de « recommandations » à une logique de « référentiels opposables », a été consolidé par la loi de 2022 qui en a fixé les modalités d’entrée en vigueur, avec une date butoir positionnée à fin 2023 pour la mise en conformité. Concrètement, il ne s’agit plus de se « rapprocher » des standards pour faciliter les interconnexions, mais bien de démontrer une conformité à des référentiels définis nationalement, condition préalable à l’intégration dans les grands dispositifs numériques publics et à l’accès à certains financements. 

    CISIS : architecture de référence pour les échanges de données 

    Au cœur de ce dispositif, le Cadre d’Interopérabilité des Systèmes d’Information de Santé (CISIS) tient lieu d’architecture de référence pour tout l’écosystème numérique en santé français. Porté par l’Agence du Numérique en Santé, il définit les volets techniques, fonctionnels et sémantiques qui permettent à des systèmes hétérogènes de se comprendre, en s’appuyant sur les grands standards internationaux tels que HL7, FHIR, DICOM ou les terminologies cliniques normalisées. L’ambition est double : garantir une continuité d’information entre la ville, l’hôpital, le médicosocial et le patient, et éviter la multiplication de passerelles spécifiques, coûteuses à maintenir et fragilisant la sécurité des données. 

    Le CISIS ne se limite pas à un catalogue de formats : il propose des profils d’interopérabilité applicables à des cas d’usage concrets (documents de synthèse, résultats de biologie, comptesrendus, etc.) en cohérence avec les services socles nationaux. Pour les éditeurs et intégrateurs, il devient progressivement un passage obligé : il est pris en compte dans les programmes de référencement et de financement de l’État, et il sert de point d’ancrage aux autres référentiels réglementaires qui se superposent à lui, notamment ceux dédiés à la télémédecine ou aux volets spécifiques comme la synthèse médicale. 

    Référentiels interopérabilité–sécurité–éthique : la télémédecine sous surveillance 

    La montée en puissance de la télémédecine a entraîné la publication de référentiels spécifiques, qui combinent exigences d’interopérabilité, de sécurité et d’éthique des systèmes d’information utilisés pour la téléconsultation et, plus largement, pour les actes de télémédecine. Une nouvelle version opposable du référentiel pour les systèmes d’information de téléconsultation, identifiée comme version 1.5.1, marque une étape importante : elle explicite les exigences techniques attendues des solutions, les obligations en matière de gestion des identités, d’authentification, de traçabilité et de respect du secret médical, tout en s’inscrivant dans le cadre plus général fixé par le Code de la santé publique. 

    Le ministère de la Santé a officialisé cette évolution en rappelant que ces référentiels conditionnent tant le déploiement des services que leur prise en charge financière. Pour les acteurs de la télémédecine, cela signifie que la conformité ne se joue plus uniquement au niveau des pratiques médicales, mais aussi au niveau du code des applications, des architectures d’hébergement et des flux de données : un service de téléconsultation doit à la fois garantir la sécurité et la confidentialité des échanges et s’aligner sur les formats et standards d’interopérabilité nationaux. 

    Le Volet de Synthèse Médicale : vers un résumé patient standardisé et exportable 

    L’un des exemples les plus parlants de cette normalisation est le Volet de Synthèse Médicale (VSM). Ce document, pensé comme un résumé structuré des éléments clés du dossier d’un patient, est destiné à être partagé dans les situations de recours, qu’il s’agisse d’urgences, de consultations non programmées ou de transitions de soins. La nouvelle version publiée en 2024, référencée IPSFR_2024, remplace la version de 2013 et s’aligne sur la norme internationale NF EN ISO 27269, qui définit l’International Patient Summary (IPS). 

    Cette spécification met à disposition des volets fonctionnels, techniques et d’interopérabilité, avec une version d’interopérabilité 1.4 validée, afin de garantir que les informations essentielles (antécédents, allergies, traitements, problèmes de santé actifs, etc.) puissent être produites par un logiciel en France et interprétées de manière cohérente dans un autre contexte, y compris au niveau européen. Pour les éditeurs, l’enjeu est d’intégrer ce modèle directement dans les logiciels métiers, afin que la synthèse se construise à partir de données structurées et alimente automatiquement le Dossier Médical Partagé et demain les infrastructures européennes, plutôt que de reposer sur des comptesrendus libres difficilement exploitables. 

    Alimentation du DMP : de l’incitation aux sanctions financières 

    En parallèle, la législation budgétaire fait évoluer le Dossier Médical Partagé, désormais intégré à Mon espace santé, d’un dispositif incitatif vers un dispositif assorti d’obligations pour les professionnels. Les travaux autour du PLFSS 2026 prévoient que les médecins puissent être sanctionnés en cas de manquement à l’obligation d’alimenter le DMP, avec des amendes pouvant aller jusqu’à 2 500 € par manquement. Cette évolution s’inscrit dans une volonté de rendre effectif le partage de données cliniques au quotidien : pour que le DMP ait une valeur pour le patient et pour les soignants, il doit être systématiquement alimenté en documents structurés et en données à jour. 

    Du point de vue de l’interopérabilité, cette obligation se traduit par une pression accrue sur les logiciels métiers, qui doivent être capables de produire des documents dans les formats attendus, d’utiliser les bons volets du CISIS, d’intégrer les volets de synthèse médicale et de s’articuler avec les services socles nationaux. Un logiciel qui ne permet pas une alimentation fluide et conforme du DMP expose ses utilisateurs à des risques de sanctions et, de facto, perd de son attractivité sur le marché. La mise en conformité devient donc un enjeu concurrentiel autant qu’un impératif réglementaire. 

    FHIR : le standard qui structure les architectures à venir 

    Dans ce paysage, le standard FHIR (Fast Healthcare Interoperability Resources) occupe une place particulière, car il propose un modèle d’API modernes appliquées aux données de santé. Plusieurs acteurs hospitaliers se sont organisés autour d’un groupement dédié pour coconstruire la mise en œuvre de FHIR sur des domaines jugés prioritaires, en cohérence avec les travaux nationaux pilotés par l’ANS et les associations d’interopérabilité. L’objectif est de produire des connecteurs et des ressources réutilisables, afin d’éviter que chaque établissement réinvente ses propres profils et ses propres règles. 

    FHIR représente un changement de culture : au lieu de flux massifs de messages, il permet de requêter des ressources ciblées (un patient, une prescription, un résultat) et de ne transporter que ce qui est nécessaire, tout en s’inscrivant dans un écosystème de services web contemporains. Pour les industriels, anticiper la réglementation revient à anticiper FHIR : non seulement parce qu’il est de plus en plus cité comme standard de référence, mais aussi parce qu’il s’aligne naturellement avec les exigences d’ouverture, de portabilité et de sécurité renforcées par les textes nationaux et européens. 

    SNDS et Plateforme des données de santé : une interopérabilité étendue à la réutilisation des données 

    L’interopérabilité ne se joue pas uniquement au niveau du soin. Le décret du 29 juin 2021 relatif au système national des données de santé (SNDS) définit les règles qui encadrent l’organisation, la pseudonymisation, l’hébergement et les conditions d’accès à ces données pour la recherche, l’étude et l’évaluation. Il précise la structure du SNDS, qui s’appuie sur une base principale couvrant l’ensemble de la population et sur un catalogue de bases complémentaires, ainsi que les responsabilités partagées entre la Caisse nationale d’assurance maladie et la Plateforme des données de santé. 

    Ce texte consacre aussi des principes stricts en matière de localisation des données, d’horodatage, de profondeur historique et de catégories d’acteurs autorisés à les exploiter. Pour les acteurs du numérique en santé, cela signifie que la production de données doit être pensée en amont pour être réutilisable dans ce cadre : formats harmonisés, qualité, documentation et gouvernance deviennent des éléments d’interopérabilité réglementaire, audelà des seuls échanges entre systèmes cliniques. 

    EHDS : l’interopérabilité à l’échelle européenne 

    L’autre grande brique est désormais européenne. Le règlement (UE) 2025/327 établissant l’Espace Européen des Données de Santé (European Health Data Space – EHDS) fixe un cadre commun pour l’utilisation primaire et secondaire des données de santé au sein de l’Union. Il prévoit la mise en place d’organismes nationaux chargés de l’accès aux données, la définition de formats et d’infrastructures de référence, une protection renforcée des droits des patients et, surtout, des exigences techniques spécifiques pour certains produits et services, comme les systèmes de dossiers patients électroniques. 

    Dans ce cadre, les fabricants de solutions de dossier patient, les fournisseurs de services numériques et les autorités publiques devront démontrer que leurs systèmes respectent des exigences d’interopérabilité, de sécurité et de portabilité, assorties d’un marquage et de mécanismes de surveillance du marché. Pour les acteurs français, l’enjeu sera d’aligner les solutions simultanément sur les référentiels nationaux (CISIS, référentiels interopérabilité–sécurité–éthique, exigences du SNDS et du DMP) et sur les obligations européennes du EHDS, afin de garantir la continuité des usages pour les patients et les soignants, tout en ouvrant la voie à des usages transfrontaliers et à des projets de recherche de plus grande ampleur. 

    Anticiper : de la conformité minimale à la stratégie de données 

    Face à cet empilement apparent de textes et de référentiels, la question centrale pour les acteurs n’est plus « fautil se mettre en conformité ? » mais « comment transformer cette conformité en levier de stratégie ? ». Pour les industriels, une première étape consiste à cartographier précisément les référentiels qui s’appliquent à leurs produits – CISIS, référentiels spécifiques téléconsultation, exigences liées à l’alimentation du DMP, contraintes d’accès au SNDS et obligations EHDS – et à en déduire une trajectoire d’évolution produit sur plusieurs années plutôt que des ajustements ponctuels. L’intégration native des volets d’interopérabilité, l’adoption progressive de FHIR, l’alignement sur le Volet de Synthèse Médicale et la préparation à la réutilisation des données deviennent des axes structurants de cette feuille de route. 

    Pour les établissements de santé, les GHT et les territoires, l’urbanisation du système d’information doit désormais être pensée à l’aune de ces obligations, en intégrant l’interopérabilité comme critère central dans les cahiers des charges et dans les arbitrages budgétaires. La gouvernance des données – qui produit quoi, dans quel format, pour quels usages primaires et secondaires – devient indissociable de la gestion des risques réglementaires, notamment face aux sanctions liées à la nonalimentation du DMP ou à la nonconformité aux référentiels opposables. Dans ce nouveau paysage, l’interopérabilité ne se réduit plus à un enjeu d’interface : elle devient un déterminant de la conformité, de la soutenabilité économique des solutions et de la capacité des acteurs à s’inscrire dans les trajectoires nationales et européennes de la donnée de santé. 

     

  • Interopérabilité en santé : une obligation réglementaire qui impact tous les acteurs

    L’interopérabilité des systèmes d’information en santé (SIS) représente une transformation essentielle pour l’écosystème de la santé numérique en France. Elle constitue un passage inéluctable d’un modèle de fragmentation des données vers une architecture de circulation fluide de l’information clinique et administrative. Cette mutation est imposée par la régulation et motivée par l’impératif médical et économique, elle nécessite à la fois des ajustements techniques, organisationnels et culturels.

    L’enjeu dimensionnel et réglementaire

    Le marché mondial des solutions d’interopérabilité en santé est évalué à environ 4,8 milliards de dollars en 2025 et devrait atteindre 16,2 milliards de dollars à l’horizon 2035, ce qui signifie un taux de croissance annuel composé d’environ 14,5 pour cent. Cette dynamique de marché reflète moins une simple demande commerciale qu’une pression réglementaire systémique.​

    Aux États-Unis, le 21st Century Cures Act a établi des obligations impératives pour les établissements de santé en matière d’accès des patients à leurs données et d’échange d’informations entre systèmes hétérogènes. En Europe, l’Espace Européen des Données de Santé (EDHS) impose une architecture d’interopérabilité intégrant la protection des données personnelles comme élément constitutif. En France, l’Agence du Numérique en Santé (ANS) pilote cette transformation par le biais de la feuille de route du numérique en santé 2023-2027, elle-même encadrée par le standard HL7 FHIR en tant que norme de référence.

    Cette normativité croissante signifie que l’interopérabilité n’est plus une question de stratégie concurrentielle discrétionnaire, mais une obligation légale assortie de pénalités financières et réputationnelles.

    La fragmentation comme obstacle structurel

    La réalité empirique des hôpitaux français et occidentaux révèle une complexité supérieure à de nombreux autres secteurs économiques. Les plus grands centres hospitaliers universitaires déploient jusqu’à 1 000 applications informatiques distinctes, chacune générant, conservant et protégeant ses propres données de santé. Cette pluralité de systèmes d’information métiers (laboratoires d’analyses, services de radiologie, pharmacies, dossier patient central, gestion administrative) crée une fragmentation qui a des conséquences directes : redondance des actes médicaux, incapacité à disposer d’une vue holistique du patient, pertes administratives substantielles, et enfin impossibilité d’exploiter les données à grande échelle pour l’intelligence artificielle clinique.​

    Le faible investissement du secteur hospitalier en informatique (environ 1,7 pour cent du budget d’exploitation) a prolongé cette fragmentation en verrouillant les établissements dans des architectures héritées coûteuses et obsolètes. Dans ce contexte, l’interopérabilité apparaît non comme un choix technologique abstrait, mais comme une nécessité gestionnaire et clinique.​

    L’écosystème de l’interopérabilité comprend cinq catégories d’acteurs distincts. La classification qui suit s’appuie sur le rôle structurel de chaque groupe et sur son intérêt stratégique objectif à voir émerger des normes fortes d’interopérabilité.

    Les éditeurs de Dossier Patient Informatisé (DPI) : un intérêt ambivalent

    Les éditeurs de systèmes d’information hospitaliers, par exemple, Epic Systems, Oracle Health (ancien Cerner, acquis en 2022), ou Dedalus, occupent la position la plus centrale de l’architecture informatique hospitalière. Ils fournissent le socle applicatif qui centralise l’ensemble des données cliniques du patient et qui, de facto, détient les informations sensibles relatives à la santé.​

    L’analyse stratégique de cet acteur révèle une posture complexe et contradictoire. Historiquement, le modèle d’affaires de ces éditeurs reposait sur un mécanisme économique simple : plus les données demeuraient captives au sein de leur environnement propre, plus les coûts de migration vers un concurrent augmentaient, renforçant la dépendance du client. Cette « moat » commerciale était la principale source de valeur ajoutée extractible du contrat avec les clients. L’interopérabilité totale représentait donc une menace directe pour ce modèle.

    Cependant, depuis 2016-2018, un pivot stratégique s’est opéré. Face à la pression réglementaire croissante et à la menace d’entrée de nouveaux acteurs technologiques, ces éditeurs ont progressivement reconnu que la rétention forcée était devenue politiquement insoutenable et techniquement inévitable. Oracle Health explicite par exemple cette transition dans sa communication : l’interopérabilité n’est plus un coût mais le fondement d’un nouvel écosystème fermé mais connecté. Cette stratégie représente un pragmatisme commercial : accepter l’interopérabilité technique (les données sortent) tout en maintenant la domination commerciale (via l’écosystème propriétaire, les contrats de valeur ajoutée, et le positionnement de leader reconnu).

    Les fournisseurs cloud : un besoin de données structurées

    Les fournisseurs cloud représente une nouvelle catégorie d’acteurs pour lesquels la santé est un marché de croissance stratégique, non pas pour les logiciels cliniques mais pour l’infrastructure, l’intelligence artificielle et les données agrégées.​

    Contrairement aux éditeurs de DPI traditionnels, ces” hyperscalers” n’ont aucun avantage stratégique à maintenir des silos. Leur modèle d’affaires repose sur trois piliers : premièrement, la consommation de services cloud (calcul, stockage, bande passante) ; deuxièmement, la fourniture de services d’analyse et d’intelligence artificielle fondés sur de vastes volumes de données structurées ; troisièmement, la capture de la relation patient à travers des interfaces grand public (Apple Health intégrant les dossiers de multiples prestataires).

    L’interopérabilité est le prérequis technique absolu pour ce modèle. Des données fragmentées et mal structurées ne peuvent pas alimenter efficacement les algorithmes d’IA. Des données circulant au travers d’APIs propriétaires fermées ne permettent pas la création de dossiers agrégés unifiés. Ainsi, ces acteurs sont des défenseurs des standards ouverts tels que FHIR. Google Cloud Healthcare API, par exemple, implémente nativement les normes FHIR DSTU2, STU3 et R4, ainsi que HL7 v2 et DICOM.​

    Cependant, l’intérêt déclaré pour l’interopérabilité masque une réalité de capture de marché plus subtile. En fournissant l’infrastructure et en structurant les données selon leurs normes, ces acteurs créent une dépendance à leur écosystème. L’interopérabilité devient alors également un instrument de contrôle.

    Les acteurs de middleware et d’intégration : un intérêt central et paradoxal

    InterSystems ou Numih France (structure publique) constituent la catégorie des fournisseurs de solutions de middleware et d’échange d’informations en santé (HIE pour Health Information Exchange). Leur fonction est de traduire, transformer et router les données entre des systèmes incompatibles ou hétérogènes.​

    La situation de ces acteurs présente une tension inhérente. Leur raison d’être repose sur l’existence de l’interopérabilité problématique. Si, demain, tous les systèmes hospitaliers communiquaient nativement en FHIR et se comprenaient parfaitement, le besoin de middleware de transformation complexe s’atténuerait considérablement.

    Néanmoins, ces acteurs ont transformé cette menace existentielle. Ils reconnaissent que la standardisation technique complète (syntaxe, protocole) ne résout pas l’enjeu majeur : la sémantique. Même si deux systèmes échangent en FHIR, il demeure des risques de mauvaise interprétation (une allergie n’est pas une intolérance, une urgence vitale diffère d’une urgence relative). InterSystems, par exemple, positionne sa plateforme HealthShare non comme simple connecteur, mais comme système de normalisation de données, de déduplication et de création d’un dossier médical unifié « données saines ». Cela signifie que même dans un contexte FHIR standardisé, ces acteurs proposent une valeur ajoutée de gouvernance des données, de qualité et de conformité.​

    Leur intérêt à l’interopérabilité est donc réel mais reconfiguré : il se déplace de la connectique brute vers la sémantique et la gestion de qualité.

    Les régulateurs : une politique volontariste pour l’interopérabilité

    HL7 International (Health Level Seven), l’Office of the National Coordinator for Health Information Technology (ONC) aux États-Unis, l’Agence du Numérique en Santé (ANS) en France, et la Commission Européenne constituent les instances chargées de définir les standards, les référentiels terminologiques et les calendriers de conformité.

    Ces acteurs n’ont pas d’intérêt commercial direct à l’interopérabilité mais un intérêt systémique. Leur mandat est d’assurer la santé publique, la continuité des soins, l’efficience du système de santé et, de plus en plus, la souveraineté numérique des données de santé nationales et régionales. L’ANS pilote ainsi la feuille de route du numérique en santé 2023-2027, qui place l’adoption du standard FHIR et la mise en conformité progressive comme éléments centraux. La commission européenne, par la directive NIS 2 et l’EDHS, impose des obligations d’interopérabilité accompagnées de mécanismes de sécurité et de protection des données.​

    Ces acteurs régulateurs jouent un rôle de coordinateur et d’arbitre, souvent contre la résistance des acteurs installés bénéficiant du statu quo fragmenté.

    Les hôpitaux : un intérêt immédiat mais peu de marges de manœuvres

    Les hôpitaux publics et privés (AP-HP, CHU, groupes privés), les assureurs (mutuelles, organismes complémentaires), sont les principaux utilisateurs finaux des systèmes d’information pour la santé.

    L’intérêt stratégique est clair : une interopérabilité fonctionnelle génère des efficiences majeures. Les études estiment que l’interopérabilité complète pourrait générer des économies de 30 milliards de dollars annuels chez les États-Unis par réduction de la redondance et amélioration de l’efficacité. En France, les gains estimés tournent autour de plusieurs centaines de millions d’euros par an.​ Cependant, la capacité d’exécution de ces acteurs est hétérogène. Nombreux sont les établissements hospitaliers qui manquent de compétences internes en cybersécurité et en gestion de systèmes d’information complexes. Le rapport de la Cour des comptes sur la sécurité informatique des établissements de santé indique un déficit structurel de ressources humaines et financières dédiées au numérique. Cette asymétrie crée un écart entre les intentions stratégiques affichées et la capacité réelle à implémenter des architectures d’interopérabilité sophistiquées.​

    Les associations de normalisation : un tiers structurant

    Au‑delà des acteurs industriels et des régulateurs publics, des associations de normalisation comme Interop’Santé structurent un « tiers secteur » qui joue un rôle d’interface entre la doctrine étatique (ANS, EDHS) et la mise en œuvre concrète dans les établissements et les solutions logicielles. Elles regroupent en France les principaux organismes de standardisation (HL7 France, HPRIM, IHE France, PN13‑IS) et coordonnent l’adaptation au contexte national des standards internationaux (HL7 v2, FHIR, IHE, HPRIM) au travers de guides d’implémentation, d’extensions nationales et de référentiels techniques. Par leurs activités de formation, de concertation multi‑acteurs et de tests d’interopérabilité (« interopérabilité par la preuve »), ces associations transforment les exigences réglementaires abstraites en spécifications opérationnelles, contribuant ainsi à réduire l’asymétrie d’expertise entre grands industriels, régulateurs et établissements de santé, tout en pesant sur la gouvernance réelle des choix techniques au niveau national

    Opportunités Stratégiques de l’Interopérabilité

    Efficience opérationnelle et réduction des coûts

    L’interopérabilité fluidifie les processus administratifs et cliniques. Elle élimine la ressaisie manuelle de données (source d’erreurs et de charge administrative), réduit les examens redondants (biologie, imagerie) lorsque les résultats antérieurs sont inaccessibles, et accélère la prise de décision clinique en garantissant l’accès à l’ensemble des données du patient.

    Les études produites pour l’Ontario Health au Canada et pour l’Estonie montrent que des gains de 12 à 15 pour cent en efficacité hospitalière sont envisageables à court terme (2 à 3 ans) après une implémentation sérieuse d’interopérabilité. Pour les systèmes de santé sous contrainte budgétaire chronique, c’est un levier direct de réallocation de ressources vers le soin direct.​

    Déploiement de l’intelligence artificielle clinique

    L’IA générative et les algorithmes de machine learning en santé ne peuvent fonctionner que sur des données standardisées, de qualité suffisante et en volumes massifs. Une donnée fragmentée ou non structurée n’est pas exploitable par ces systèmes. L’interopérabilité FHIR transforme les données hétérogènes en données « computables » susceptibles d’alimenter des modèles prédictifs (détection précoce du sepsis, stratification du risque, optimisation thérapeutique).

    Cet enjeu explique l’engagement résolu des hyperscalers pour l’interopérabilité : sans donnée fluide et structurée, leur investissement en IA reste sous-exploité.

    Autonomisation du patient et médecine participative

    L’interopérabilité réoriente le contrôle de la donnée vers le patient. Des applications comme Mon Espace Santé en France ou Apple Health Records aux États-Unis permettent aux patients de consulter et de contrôler leurs données en provenance de multiples prestataires. Cela transforme le patient de consommateur passif en acteur actif de sa santé, ce qui améliore l’observance thérapeutique, la prévention et la prise de décision partagée.

    De plus, cette autonomisation facilite la médecine participative et la recherche patient-centrée, enrichissant la connaissance épidémiologique et thérapeutique.

    Risques et points de tension

    Expansion de la surface d’attaque cybernétique

    L’interopérabilité crée une multiplication des points d’entrée pour les acteurs malveillants. Chaque API ou interface de connexion entre systèmes représente une surface potentielle d’exploitation. Plus significatif encore, l’interconnexion accrue crée des risques de contagion : une brèche chez un petit prestataire de télémédecine mal sécurisé peut servir de point d’accès pour remonter jusqu’aux données centrales de l’hôpital principal.

    Le rapport de la Cour des comptes française documente que le secteur de la santé connaît une intensification des cyberattaques, avec 10 pour cent des victimes de rançongiciels en France étant des hôpitaux en 2023. Le coût moyen d’une telle attaque atteint 10 à 20 millions d’euros par établissement victime (gestion de crise et pertes de recettes).​

    L’ouverture des systèmes doit donc s’accompagner d’une stratégie intégrée de cybersécurité « zéro confiance » (zero trust), de segmentation des réseaux, et de surveillance des comportements anormaux des utilisateurs et des applications.

    Risques de dégradation sémantique

    Un risque subtil mais critique réside dans la préservation du sens clinique lors de la transformation des données. L’interopérabilité technique (les tuyaux connectent) ne garantit pas l’interopérabilité sémantique (le sens est préservé). Deux systèmes utilisant le standard FHIR peuvent malgré tout interpréter différemment une même observation (une allergie n’est pas une intolérance ; un antécédent chirurgical ne signifie pas une contre-indication présente).

    Cela requiert une standardisation parallèle des terminologies cliniques (SNOMED CT, LOINC, etc.) et des processus rigoureux de validation sémantique qui vont bien au-delà de la connectique informatique. C’est pourquoi des intermédiaires comme InterSystems insistent sur la normalisation et la « santé des données » comme service additionnel.

    Enjeux de souveraineté numérique et de dépendance technologique

    Un enjeu stratégique non négligé concerne la localisation et le contrôle des infrastructures d’interopérabilité. L’adoption croissante du cloud des hyperscalers américains (Microsoft Azure, Amazon AWS, Google Cloud) pour l’hébergement des données de santé crée une dépendance externe aux législations extraterritoriales américaines (CLOUD Act, Foreign Intelligence Surveillance Act).

    Ce risque a déjà suscité des contentieux en France, notamment autour de l’hébergement du Système National des Données de Santé (SNDS) chez Microsoft. Les exigences de souveraineté numérique, renforcées par le Data Act européen et l’EDHS, imposent la mise en place de garde-fous techniques et juridiques pour protéger l’infrastructure d’interopérabilité contre l’accès illicite par des autorités tierces.​

    Cette tension génère des coûts : les solutions « intercalaires » ou des nuages souverains français/européens (OVH, Eurizon, etc.) offrent des performances souvent inférieures à celles des hyperscalers, d’où un trade-off entre souveraineté et efficience.

    Inégalité de capacité d’implémentation entre établissements

    L’interopérabilité suppose une capacité organisationnelle, technologique et humaine que tous les établissements ne possèdent pas. Les grands CHU bénéficient de budgets numériques plus substantiels et de compétences en interne ; les petits hôpitaux de province et les structures de santé primaires manquent souvent de ces ressources. Ce différentiel crée un risque de fracture : une interopérabilité « de facto » au sein des grandes structures pendant que les petites demeurent isolées, fragmentant le système plutôt que de l’unifier.

    Synthèse et perspectives stratégiques

    Dynamique de redistribution des pouvoirs

    L’interopérabilité n’est pas un processus techniquement neutre. Elle représente une redistribution des pouvoirs au sein du secteur. Le mouvement historique a progressé depuis un modèle de monopoles de données (éditeurs de DPI contrôlant l’accès) vers un modèle émergent d’oligopoles d’infrastructure (hyperscalers contrôlant la couche cloud et l’IA). L’enjeu régulateur consiste à préserver un équilibre compétitif et à maintenir le contrôle public sur la gouvernance des données sensibles.

    L’importance croissante de la qualité et de la gouvernance

    À mesure que la connectique technique se standardise et que le coût des connexions diminue, la valeur différenciante se déplace vers la couche de gouvernance : qualité des données, traçabilité, conformité éthique et sécurité des algorithmes d’IA. Les acteurs qui fourniront des outils et des services de gouvernance (audit, normalisation, déduplication, détection d’anomalies) acquerront une position stratégique.

    Recommandations stratégiques pour les parties prenantes

    Pour les dirigeants hospitaliers : Exiger une conformité systématique et certifiée au standard FHIR dans tout appel d’offres de systèmes informatiques. Refuser les architectures propriétaires fermées qui créent une captivité des données. Investir parallèlement en compétences en cybersécurité et en gouvernance des données.

    Pour les investisseurs : Privilégier les acteurs positionnés sur la couche de sémantique, de gouvernance et de qualité des données plutôt que sur la simple connectique. Les technologies de middleware et de normalisation demeureront pertinentes longtemps. Les solutions de cybersécurité et de conformité acquerront une importance stratégique.

    Pour les régulateurs : Continuer à imposer des standards ouverts tout en renforçant les garde-fous de sécurité et de souveraineté. Favoriser l’émergence d’infrastructures d’interopérabilité souveraines à l’échelon européen et national pour réduire la dépendance aux hyperscalers américains.

    Pour les acteurs établis (éditeurs de DPI) : Accepter l’inéluctabilité de l’interopérabilité et transformer cette contrainte en opportunité de repositionnement comme coordinateurs d’écosystèmes. Investir dans la qualité de la donnée, les capacités IA et les services de valeur ajoutée pour compenser l’érosion de la rente de captivité.

  • Alliance SIH : 80 à 500 solutions informatiques par hôpital, un frein à l’interopérabilité que l’alliance brise pour des SIH data centre souverains

    Des SIH fragmentés : 80 à 500 applications par établissement

    Les SIH français actuels souffrent d’une fragmentation sévère, avec entre 80 et 500 solutions informatiques coexistant dans un même hôpital, souvent dans des environnements propriétaires, créant silos et hétérogénéité sémantique.​

    • 97% des données dans les dossiers médicaux restent non structurées et inexploitées mondialement.

    • Architecture monolithique multipliant points d’intégration, erreurs et doublons.

    • Coûts élevés de maintenance et dépendance aux éditeurs propriétaires freinant l’IA.

    • Interopérabilité parcellaire due à méfiance et concurrence industrielle.

    Cette fragmentation pèse sur qualité des soins, quotidien des soignants et finances hospitalières, alors que l’IA exige données structurées persistantes.

    Alliance SIH : La Poste Santé Autonomie à l’initiative d’un collectif d’intérêt général

    L’Alliance SIH est lancée par La Poste Santé Autonomie, acteur industriel d’intérêt général à capitaux publics, aux côtés de CPAGE, Maincare, le GIE HOPSIS et les Hospices Civils de Lyon (HCL), deuxième CHU de France. Dominique Pon, DG de La Poste Santé Autonomie, souligne dans l’avant-propos que cette dynamique collective répond à la nécessité de transformer en profondeur les SIH pour affirmer la souveraineté numérique française. L’appel est ouvert à tous les acteurs partageant les valeurs d’intérêt général, de souveraineté, d’ouverture et de responsabilité.

    Olivier Barets, DGA marketing chez La Poste Santé Autonomie, explique que l’idée naît de la fragmentation des SIH actuels, composés de centaines de logiciels propriétaires coûteux et peu interopérables, freinant l’IA et risquant un décrochage face aux modèles data centre étrangers.

    L’alliance mutualise compétences et coûts pour accélérer des solutions concrètes, comme un module de DPI avec les HCL ou un logiciel de suivi des plaies.

    SIH ouverts, data centre et souverains

    L’ambition est de passer d’un modèle applicatif propriétaire à une architecture data centre centrée sur la donnée persistante et indépendante.​

    • Séparation stricte : données stockées dans référentiel unique vs applications consommatrices.

    • Garantir persistance, intégrité, gouvernance et accessibilité pour usages cliniques, administratifs, recherche.

    • Plus d’efficience économique, souveraineté numérique et maîtrise collective des données santé.

    • Vue holistique du patient pour coordination soins, médecine personnalisée et IA prédictive.

    Raymond Le Moign (HCL) et Virginie Valentin (HOPSIS) insistent sur référentiel unique éthique fluidifiant parcours patients.

    Trio openEHR-FHIR-OMOP + Better : Le socle technique open et accéléré de l’Alliance

    L’Alliance SIH s’appuie sur trois standards complémentaires :

    • openEHR : pour structurer durablement les données cliniques dans un référentiel unique (Clinical Data Repository), validation double niveau RGPD, évolutivité collaborative.
    • FHIR :  échanges rapides via API pour données administratives/non structurées.
    • OMOP :  pour la recherche clinique et les entrepôts de données.

    Ces normes ouvertes garantissent une interopérabilité native, une validation à deux niveaux conforme RGPD, et une évolutivité collaborative impliquant cliniciens et architectes.

    Le partenariat avec Better, plateforme européenne présente dans 28 pays, accélère le déploiement via une approche low code/no code, avec un système de design pour des interfaces fluides. L’architecture s’articule en cinq couches : données standardisées, administrative/logistique, production de soins, parcours de santé, recherche, et IA transversale. Gartner note que les Digital Health Platforms comme Better permettront à 80% des prestataires adoptants de surpasser leurs pairs en transformation numérique d’ici 2024.

    Mutualisation des coûts et 22 milliards d’euros de valeur e-santé

    Mutualisation ressources optimise budgets dans contexte déficits hospitaliers, générant valeur partagée.​

    • CPAGE (David Boussard) : Réécrit 100% offre, co-développement maîtrise coûts production.

    • Maincare (Olivier Geoffroy) : Accélère IA, alternative souveraine aux propriétaires étrangers.

    • HOPSIS/HCL : Renforce Easily (170 sites) pour SIH fluide, collaborations territoriales.

    • La Poste Sant Autonomie : Filière française souveraine, innovation responsable.

    • Potentiel marché e-santé : 22 milliards € en 5-10 ans (Arnaud Houette, Extens).

    Gartner prévoit 50% nouvelles capacités DSI via DHP d’ici 2027 ; 80% avance transformation pour adoptants.

    Bénéfices systémiques : Interopérabilité au service des soins et IA

    L’approche data centre catalyse innovation et efficience au-delà des acteurs.​

    • Clinique : Réduction doublons examens/erreurs, vue holistique parcours patient.

    • Opérationnel : Automatisation tâches, low code DSI, mutualisation maintenance.

    • Innovation : Intégration IA aisée, recherche multicentrique, gestion populationnelle.

    • Économique : Flexibilité, réduction dépendance propriétaire.

  • Cas d’usage : plus de 50 établissements déploient de l’IA pour transformer l’expérience patient

    Takeaways :

    • IA appliquée à l’expérience patient déjà déployée dans plus de 50 établissements en France et en Belgique ;
    • plus de 100 000 verbatim labellisés manuellement pour entraîner les modèles d’analyse de texte ;
    • plus de 24 établissements pilotent leurs parcours grâce à l’analyse structurée de verbatim ;
    • plus de 18 500 retours patients analysés dans un seul établissement, soulignant les enjeux de robustesse algorithmique ;
    • des cas d’usage couvrant urgences, péri‑opératoire, maladies chroniques et médico‑social.

    14 cas d’usage pour l’expérience patient

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

    L’analyse des données révèle un panorama de 14 cas d’usage distincts de l’IA dédiés à l’amélioration de l’expérience patient dans les établissements de santé. Ces initiatives s’appuient sur 27 solutions technologiques développées par 21 entreprises, déployées dans 35 hôpitaux en France et à l’international. Le marché est caractérisé par une concentration notable sur deux segments principaux : les chatbots et assistants virtuels (5 cas d’usage, 23,8%) et la mesure de satisfaction patient (5 cas d’usage, 23,8%). Ces deux catégories représentent près de la moitié des applications identifiées, témoignant de l’intérêt croissant des établissements pour l’automatisation de la communication patient et la collecte systématique de retours d’expérience. Le cas d’usage le plus largement déployé est le pilotage de l’expérience patient à partir de verbatims textuels, présent dans 24 hôpitaux, démontrant l’intérêt stratégique des établissements pour l’exploitation systématique des retours patients. Le chatbot d’information préopératoire (solution Heko de BOTdesign) équipe 4 hôpitaux, ciblant la réduction de l’anxiété des patients avant intervention. L’analyse en temps réel de la satisfaction est déployée dans 2 hôpitaux (CH de Valenciennes, Hôpital Foch), illustrant l’intérêt pour le monitoring continu de l’expérience patient.

    De 100 000 verbatim entraînant une IA à plus de 50 établissements utilisateurs

    Une plateforme telle que Verbatim.care d’EntendsMoi repose sur des algorithmes de traitement automatique du langage (TAL/NLP) entraînés sur plus de 100 000 verbatim d’expérience patient, labellisés manuellement par des professionnels de santé et des patientes. Cette base permet de classifier les commentaires en environ 70 thèmes et sous‑thèmes, croisés avec quatre niveaux de ressenti, pour objectiver satisfactions et insatisfactions dans des contextes hospitaliers, ambulatoires et de soins primaires.​

    Verbatim.care est co‑conçue avec plusieurs établissements pilotes et est aujourd’hui utilisée par plus de 50 structures en France et en Belgique, couvrant un large spectre d’établissements (CHU, hôpitaux généraux, cliniques, fondations, centres de lutte contre le cancer, etc.). En parallèle, Better World et d’autres solutions d’analyse de verbatim et d’enquêtes post‑consultation sont déployées notamment dans des centres d’imagerie (CH de Valenciennes, Hôpital Foch), illustrant une dynamique d’industrialisation de la mesure qualitative de l’expérience patient.​

    Cette massification du recueil et de l’analyse des retours patients s’articule avec une vague d’agents conversationnels (vocaux et textuels) qui automatisent des segments entiers du parcours – accueil téléphonique, suivi chronique, information préopératoire, urgences – tout en cherchant à réduire l’anxiété des patients et des proches. Les cas d’usage couvrent déjà des domaines variés (radiologie, urgences, bloc opératoire, pédiatrie, ophtalmologie, médico‑social, post‑COVID), ce qui confère à l’IA une place structurante dans la transformation de l’expérience patient.​​

    Plus de 24 établissements pilotent leurs parcours via les verbatim textuels

    La plateforme Verbatim.care est déployée dans au moins 24 établissements de santé explicitement cités (CHU de Brest, HCL, Hôpital de Foch, Institut Mutualiste Montsouris, Centre Léon Bérard, etc.), qui utilisent l’analyse des verbatim pour piloter l’expérience patient par parcours, service et population. Les retours issus d’enquêtes, questionnaires en ligne, SMS, mails et avis numériques sont centralisés, catégorisés finement par thématiques de satisfaction ou d’insatisfaction, et restitués via des tableaux de bord personnalisables, facilitant l’identification des irritants récurrents et le suivi des plans d’action.​

    Better World met en œuvre une approche complémentaire, en analysant en continu les verbatim patients dans l’imagerie (CH de Valenciennes, Hôpital Foch) pour produire des indicateurs de satisfaction, de sentiment et de zones d’amélioration, permettant des ajustements rapides des processus de prise en charge. Dans ce contexte, l’IA transforme la voix du patient en un levier structuré de décision managériale, contribuant à une démarche d’amélioration continue et à une meilleure cohérence entre stratégie, opérations et attentes des usagers.​

    Les agents conversationnels d’accueil téléphonique et multicanaux (voix, texte, chatbots) permettent de fluidifier la gestion des appels entrants et sortants, de réduire les transferts incorrects et les temps d’attente, et d’orienter rapidement les patients vers les bons services, tout en gérant la prise de rendez‑vous, les rappels et la collecte d’informations préalables. En ophtalmologie, des interfaces conversationnelles automatisées et des vidéos générées par IA (avatars) fournissent des réponses personnalisées et accessibles 24/7, libérant les équipes des tâches répétitives et améliorant l’accessibilité à l’information.​​

    Opportunités dans le suivi longitudinal et les maladies chroniques – Une IA dédiée au suivi des bébés prématurés et soins prolongés

    AIConnectsCare illustre le potentiel de l’IA pour le suivi longitudinal en créant une plateforme de soins connectés centrée sur les bébés prématurés et les patients en soins de longue durée, permettant aux familles de suivre en temps réel la condition des patients et de maintenir un contact régulier avec les équipes de soins. Cette connectivité continue vise à réduire le stress et l’anxiété des familles, tout en améliorant la qualité de vie des patients de long terme grâce à une meilleure information et une communication structurée.​

    Des chatbots génératifs et assistants virtuels apportent, plus largement, un soutien aux patients chroniques en répondant aux interrogations fréquentes, en rappelant les prises de médicaments et en encourageant l’adhésion aux protocoles de soins, ce qui renforce l’engagement patient et la continuité du suivi. Dans le contexte post‑infection virale (COVID‑19), une application d’auto‑évaluation comme SafePlay offre une interprétation des symptômes et des tests selon les protocoles nationaux, en plusieurs langues, contribuant à un accompagnement standardisé et accessible à distance.​

    En établissement, des assistants vocaux tels que Nearcare structurent et priorisent les demandes des patients (médicales et non médicales), en orientant automatiquement les requêtes vers le bon interlocuteur et en qualifiant les besoins cliniques (intensité de la douleur, zone concernée, etc.), ce qui réduit les interruptions inappropriées, optimise le temps des équipes et augmente la satisfaction des patients comme des soignants. Cette capacité de tri et de routage intelligent des sollicitations constitue un socle pour une organisation des soins plus réactive, efficiente et centrée sur les besoins exprimés.​

    Opportunités sur les parcours critiques – Urgences et péri‑opératoire

    Des solutions comme FollowMe Urgences et Saniia permettent un suivi temps réel de la prise en charge aux urgences, en informant les patients et leurs proches de l’évolution du parcours et en aidant à mieux organiser les flux grâce à des modèles prédictifs intégrant des données internes et contextuelles (météo, événements, vacances). Cette transparence réduit l’anxiété des proches et soutient une régulation plus fine des capacités, ce qui est stratégique dans un contexte de tensions structurelles sur les services d’urgence.​

    En péri‑opératoire, la plateforme Heko (BOTdesign) propose un chatbot d’information préopératoire pour les patients, déjà déployé dans plusieurs CHU et hôpitaux français, qui délivre des recommandations claires et personnalisées avant la consultation d’anesthésie, administre des questionnaires cliniques et génère des alertes et recommandations adaptées. Cette approche fluidifie la relation soignant‑patient, améliore la préparation des consultations et interventions, et renforce la sécurisation des parcours via un suivi pré, per et post‑opératoire intégrant des modules d’éducation thérapeutique.​

    Caresquad étend cette logique en automatisant le rappel des consignes préopératoires par des agents vocaux paramétrables, qui appellent les patients pour vérifier la compréhension des consignes (jeûne, horaires, préparation spécifique), détecter les difficultés potentielles et alerter les équipes en cas de besoin, avec enregistrement, transcription et synthèse des échanges. Cette automatisation sécurise le parcours (réduction des erreurs ou oublis), diminue le stress des patients et optimise le temps infirmier, tout en s’intégrant aux logiciels médicaux et en respectant les exigences de conformité (RGPD, hébergement HDS, chiffrement de bout en bout).​​

    Opportunités dans le médico‑social et la qualité – Une solution tout‑en‑un de pilotage qualité et risques

    Qualinéo, via son copilote IA, illustre le potentiel de l’IA pour la gestion de la qualité et des risques dans les secteurs médico‑sociaux et sanitaires, en intégrant l’automatisation des enquêtes de satisfaction, la gestion des incidents, la classification intelligente des événements et la suggestion d’actions correctives et préventives. Les établissements médico‑sociaux peuvent programmer des enquêtes anonymisées, analyser automatiquement les verbatim pour extraire tendances et axes d’amélioration, et piloter leurs plans d’action via des tableaux de bord centralisés couvrant indicateurs, événements indésirables, plaintes usagers et équipements.​

    Le copilote IA s’appuie sur des algorithmes de LLM/NLP et de machine learning pour la compréhension sémantique, la classification automatique et la réponse aux questions qualité, en s’adressant à un spectre large d’établissements (Ehpad, FAM, MAS, IME, SAD, crèches, hôpitaux, cliniques, biologie). Cette intégration renforce la capacité des organisations à relier l’expérience patient/résident à la gestion systémique des risques, améliorant la traçabilité, la réactivité et la cohérence des démarches d’amélioration continue.​

    Comparaison structurée de quelques cas d’usage clés

    Axe / Solution Finalité principale Type d’IA / interface Contexte d’usage
    Verbatim.care (EntendsMoi) Pilotage de l’expérience via analyse de verbatim multi‑canaux NLP/TAL, classification thématique et ressenti​ Hôpital, clinique, soins primaires​
    Better World Mesure de satisfaction post‑consultation et analyse de verbatim en imagerie Analyse de verbatim, sentiment, tableaux de bord​ Centres d’imagerie, hôpitaux​
    FollowMe Urgences / Saniia Information temps réel du parcours et prédiction de flux IA prédictive, notifications temps réel​ Urgences hospitalières
    Heko / BOTdesign Parcours pré‑ et post‑opératoire guidé, questionnaires, éducation thérapeutique Chatbot, scoring patient, analyses et alertes​ Bloc, anesthésie, chirurgie, oncogériatrie
    Caresquad Rappels préopératoires et suivi patient via agents vocaux Agents IA vocaux, API, transcription/synthèse​ Péri‑opératoire, secrétariat médical
    AIConnectsCare Suivi connecté des bébés prématurés et soins prolongés Plateforme connectée, communication familles​ Pédiatrie, soins de longue durée
    Nearcare Qualification et routage des sollicitations patients en temps réel Assistant vocal/numérique, priorisation​ Services de soins hospitaliers
    Qualinéo + copilote IA Pilotage qualité et risques, enquêtes de satisfaction, analyse des verbatim LLM/NLP/ML, copilote IA qualité​ Médico‑social et sanitaire

    Enjeux stratégiques pour les directions

    Les données disponibles montrent que l’IA appliquée à l’expérience patient est déjà à l’échelle, avec des plateformes comme Verbatim.care entraînées sur plus de 100 000 verbatim et déployées dans de nombreux établissements, et des solutions comme Better World, Heko, Caresquad, AIConnectsCare, Nearcare ou Qualinéo couvrant des segments critiques du parcours (imagerie, urgences, péri‑opératoire, médico‑social, pédiatrie, maladies chroniques). Cette dynamique crée une opportunité de passer d’une approche ponctuelle et quantitative de la satisfaction à un pilotage continu, qualitatif et opérationnel de l’expérience patient, articulant voix du patient, réactivité organisationnelle et sécurisation des parcours.

    Pour les directeurs hospitaliers et médico‑sociaux, les enjeux stratégiques portent désormais sur la sélection et l’intégration de ces solutions dans une architecture cohérente, du recueil de verbatim à l’agent vocal préopératoire. Ils concernent aussi la gouvernance de la donnée et des algorithmes (robustesse, explicabilité, sécurité) et la conduite du changement auprès des équipes et des patients.

    Les cas d’usage recensés suggèrent qu’une co‑construction active avec les professionnels et les patients, une articulation claire entre IA et décision humaine, et un alignement avec les démarches qualité et gestion des risques constituent des leviers clés pour transformer durablement l’expérience patient grâce à l’IA.

  • Expérience patient : comment l’utilisation de 27 solutions d’IA en France signe la fin de la « note sur 10 »

    Pendant des années, l’expérience patient s’est résumée à une question aride : « Sur une échelle de 0 à 10, recommanderiez-vous notre établissement ? ». Ce score, bien qu’utile pour se comparer, agissait comme un thermomètre cassé : il indiquait la fièvre (une mauvaise note), mais jamais la cause de l’infection. Pourquoi ce 6/10 ? Était-ce la froideur du repas ou celle de l’accueil ? Sans lire les milliers de commentaires manuscrits, impossible de le savoir.

    En 2025, ce flou artistique n’est plus toléré. Sur les 27 solutions IA de notre panorama, une majorité s’attaque précisément à ce problème en remplaçant la note par le sens.

    Une révolution sémantique qui fait passer l’analyse de l’expérience patient du thermomètre au diagnostic

    C’est la première rupture technologique de ce millésime. Les établissements, assis sur des mines d’or de données textuelles inexploitées, déploient massivement le NLP (traitement du langage naturel).

    Le verbatims plus fort que le score :

    Des acteurs français comme Better World, ou Entends-Moi, rendent la note obsolète. Leurs algorithmes lisent, comprennent et classent des milliers de verbatims en une fraction de seconde. L’apport est double. D’abord, l’intelligence artificielle (IA) explique le “pourquoi” : elle ne dit pas “la satisfaction baisse”, mais plutôt “les plaintes sur le bruit nocturne en maternité ont augmenté de 20% “.

    La traque des signaux faibles :

    Ensuite, l’IA détecte ce que l’humain ne voit pas. Une note globale de 9/10 peut cacher un commentaire alarmant sur une erreur de médicament évitée de justesse. Là où la moyenne lissait le problème, l’IA sémantique déclenche une alerte. Cette écoute s’étend même désormais “hors les murs” avec la solution Detec’t  de Kap Code, par exemple, qui scanne les réseaux sociaux pour capter la “vie réelle” du patient, loin du cadre formel des questionnaires hospitaliers.

    Quand le vécu devient sécurité avec le PROMs

    Si l’IA permet de mieux écouter, elle permet surtout de mieux soigner. La frontière entre le confort (PREMs) et le résultat clinique (PROMs) s’effondre grâce aux algorithmes de télésurveillance.

    Transformer le ressenti en alerte clinique :

    Des leaders comme Resilience (en oncologie), Nouveal (pour la chirurgie) ou Heko transforment le questionnaire patient en outil de survie. Leurs moteurs de règles analysent les réponses en temps réel pour trier les urgences. Si un patient déclare une douleur anormale à domicile, l’IA ne le classe pas dans une statistique de satisfaction, elle alerte immédiatement l’équipe médicale.

    La médecine de la “valeur” :

    C’est la concrétisation technologique de la Value-Based Healthcare (la médecine fondée sur la valeur). Ce modèle dépasse la simple tarification à l’acte pour rémunérer la qualité du résultat. Grâce à l’IA, le cercle vertueux s’enclenche mécaniquement. : En analysant les symptômes rapportés (PROMs) en temps réel, certaines solutions, comme celle de Résilience, permettent de gérer une toxicité de chimiothérapie avant qu’elle ne devienne critique. Le gain est double : le patient se sent « couvé » et rassuré, et l’hôpital évite une ré-hospitalisation en urgence ou un arrêt de traitement. L’algorithme prouve ainsi mathématiquement qu’une prise en charge empathique est aussi une prise en charge plus efficiente.

    Décoder l’humain, avec son comportement et ses émotions

    Notre panorama révèle une autre percée : l’IA ne se contente plus d’analyser ce que le patient dit, mais “qui il est”.

    L’IA psychologique et comportementale :

    Pourquoi un patient abandonne-t-il son traitement ? La solution SPUR d’Observia utilise le machine learning pour dresser le profil comportemental du malade. En prédisant le risque de non-observance, elle permet au médecin d’adapter son discours pour être mieux entendu.

    Émotion et accessibilité vocale :

    La technologie s’attaque aussi à l’invisible. La start-up Emobot analyse les micro-expressions faciales et la voix des patients âgés pour détecter l’apathie ou la dépression. Pour ceux qui ne peuvent pas écrire, les IA conversationnelles de CareCall ou Caresquad prennent le relais par téléphone. Capables de tenir une conversation fluide, elles humanisent le lien à distance et réduisent l’anxiété, facteur clé du rétablissement.

    L’IA sert aussi à fluidifier les flux

    Enfin, rappelons que la première cause d’une mauvaise expérience reste l’attente. Ici, l’IA agit dans l’ombre pour optimiser les processus.

    Anticiper pour ne plus subir :

    Saniia utilise la science de la donnée pour prédire l’affluence aux urgences en fonction de la météo, permettant d’adapter les effectifs avant la crise. De leur côté, Medana d’Anamnese et Patient Journey d’Ospi fluidifient le tri et les parcours pour éviter les goulots d’étranglement.

    Redonner du temps médical :

    Côté soignants, la révolution s’appelle DAX Copilot (Microsoft). Cette IA générative libère le médecin de la saisie informatique en rédigeant automatiquement la consultation. Moins d’écran, c’est plus de temps pour regarder le patient dans les yeux.

    Panorama des solutions d’IA utilisées en France pour l’expérience patient :

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

    Répartitions des solutions du panorama par segments :

    Répartition des solutions IA pour l'experience patient par segments @ H&TI
    Répartition des solutions IA pour l’experience patient par segments @ H&TI

  • Neurodéveloppement et radiologie pédiatrique : état des lieux des innovations d’IA

    Analyse stratégique : Solutions et projets d’IA en pédiatrie

    Contexte général : une urgence de santé publique mondiale

    1 enfant sur 6 présente des troubles du neurodéveloppement et de santé mentale associés, dont seulement 8% sont diagnostiqués en raison d’une complexité clinique, d’une pénurie critique de praticiens spécialisés et de coûts élevés. Parallèlement, alors que l’autisme peut être diagnostiqué de manière fiable dès 18 mois, l’âge moyen de diagnostic aux États-Unis demeure supérieur à 4 ans. Ces délais diagnostiques ont des implications durables : les enfants diagnostiqués tardivement ou pas du tout manquent des interventions précoces essentielles, moment critique pour l’efficacité thérapeutique.​

    Cet écart entre diagnostic possible et diagnostic réel constitue un enjeu stratégique majeur. Il reflète une asymétrie structurelle : la demande d’évaluations diagnostiques croît exponentiellement tandis que l’offre de professionnels spécialisés demeure stationnaire ou décline. Les solutions d’intelligence artificielle émergentes visent directement à combler cet écart critique.

    Opportunités d’IA en radiologie pédiatrique : automatisation et accélération des diagnostics

    Les algorithmes d’IA peuvent estimer l’âge osseux pédiatrique avec une marge d’erreur de ±4,2 mois à ±5,4 mois, comparée à 9 minutes de consultation manuelle utilisant l’atlas Greulich & Pyle. Cette réduction du temps de traitement représente bien plus qu’une optimisation opérationnelle : elle redéfinit la capacité diagnostique des établissements de santé.​

    Plusieurs solutions technologiques matérialisent cette opportunité. AZboneage, logiciel marqué CE d’AZmed, automatise l’estimation de la maturité squelettique en analysant les radiographies des mains par la méthode Greulich & Pyle. Une étude comparative démontre que l’algorithme d’IA affiche une marge d’erreur absolue moyenne (MAE) de 0,488 années chez les garçons et 0,494 années chez les filles, supérieure à celle d’un radiologue généraliste non spécialisé en pédiatrie (MAE de 0,771 et 0,673 années respectivement). BoneView BoneAge de Gleamer affiche des performances comparables, avec une MAE de 1,38 années, similaire aux estimations radiologues (MAE 1,30 années) mais surpassant la méthode Tanner-Whitehouse version 2 (MAE 2,86 années).​

    ImageBiopsy Lab PANDA offre une intégration directe au point de service. Ses résultats sont générés en moins de 5 secondes et présentés dans les formats standards DICOM, préservant l’image radiographique originale pour l’auditabilité. Cette approche « zero-click » minimise la friction workflow, élément critique d’adoption en environnement clinique haute-volume.​

    Au-delà du simple diagnostic, ces outils réduisent la variabilité inter et intra-examinateur, problématique majeure en médecine. Milvue rapporte une amélioration de 20% de la sensibilité diagnostique pour les fractures pédiatriques et une réduction de 22% du temps diagnostique. Pour les urgences pédiatriques, ces gains se traduisent par une diminution démontrée des délais d’attente et une amélioration de la productivité clinique.​

    Neurodéveloppement et diagnostic précoce : redéfinir le parcours de soins

    O-Kidia ambitionne de créer les standards du diagnostic et pronostic digital des troubles du neurodéveloppement chez les enfants de 5 à 25 ans. Son approche combine biométrie, biomarqueurs et machine learning pour identifier des signatures symptomatologiques et des profils différentiels des troubles du déficit de l’attention avec hyperactivité (TDAH) et comorbidités.​

    Spectrum Mind®, son dispositif médical numérique central, automatise des tâches chronophages (cotation des scores, génération de rapports) tout en produisant une approche transdiagnostique en « réseau de symptômes ». Cette méthodologie redéfinit le diagnostic en reconnaissant que les troubles du neurodéveloppement ne se manifestent pas selon des catégories cliniques discrètes mais selon des dimensions interactives (émotion, état physique, cognition, comportement).​

    Cognoa propose une approche complémentaire avec Canvas Dx, première et unique solution diagnostique autorisée par la FDA pour le diagnostic ou l’exclusion de l’autisme chez les enfants de 1,5 à 6 ans « dans les jours et non les mois ou années ». Le système combine trois données : questionnaires aux aidants, évaluations cliniciennes et analyse vidéo à domicile. En production réelle, Canvas Dx atteint un taux de valeur prédictive négative de 97% et valeur prédictive positive de 95%, avec résultats déterminés pour 78% des enfants évalués. Cette capacité d’administration à distance supprime les obstacles géographiques et réduit l’accès aux centres de spécialités surcommittés.​

    Neurotélémetrie et surveillance continue : innovation en soins intensifs néonatals

    Un projet né au Mount Sinai, formalisé sur plus de 282 301 minutes vidéo de 115 nouveau-nés en unités de soins intensifs néonatals, démontre que l’IA peut détecter les changements neurologiques pédiatriques à partir de vidéo. L’algorithme de reconnaissance posturale (« Pose AI ») entraîné sur 16,9 millions de secondes de vidéo identifie la sédation et le dysfonctionnement cérébral avec haute précision.​

    Ce développement redéfinit la surveillance néonatale. Contrairement à la télémétrie cardio-respiratoire standard, la « neurotélémetrie » automatisée demeurait techniquement élusive. Cette innovation ouvre une « neuro-monitoring strip » continue analogue aux tracés cardiaques, permettant l’alerte automatique sur changements neurologiques et facilitant les interventions précoces.

    De manière complémentaire, une équipe de l’Université de Montréal a validé un algorithme qui évalue la maturité cérébrale des nourrissons en quelques minutes à partir de signaux EEG, capable d’identifier anomalies dans la progression neurodéveloppementale. Entraîné sur données de 2 000 enfants australiens et finlandais, cet outil crée un « carnet de croissance cérébrale » numérique personnalisé.​

    Assistance aux parents et médecine de précision pédiatrique

    Doctolib Parents, lancé début 2026 en partenariat avec la Société française de pédiatrie et le Collège national des sages-femmes, adresse une population jusqu’ici exclue des outils numériques : les parents d’enfants de moins de 4 ans. L’assistant IA propose contenu pédagogique validé, conseils préventifs et suivi sanitaire partageables aux soignants. Doctolib revendique déjà 5 millions de consultations assistées par IA via ses outils professionnels.​

    L’unité R2P2 du Pr Jean Bergounioux (Hôpital Raymond Poincaré, UVSQ/Inserm) développe des solutions d’aide au diagnostic précoce des nouveau-nés fragiles, combinant médecine, physiologie, informatique et robotique. Son approche systématique—hybridation technologies, IA biomédicale et expertises cliniques—transforme solutions individuelles en standards accessibles au plus grand nombre.​

    Imagerie pédiatrique de prochaine génération : réduction des doses et standardisation

    Depuis septembre 2025, la Fondation Lenval dispose d’un scanner assisté par IA réduisant significativement l’irradiation tout en améliorant la qualité diagnostique. Cette innovation répond à la préoccupation principale de la pédiatrie : minimiser l’exposition aux rayonnements ionisants. Le scanner myExam Companion Siemens automatise workflows d’examen, position patients automatiquement et réduit temps de travail des opérateurs inexpérimentés de 353 secondes à 92 secondes—performance rapprochée aux collègues expérimentés.​

    Risques majeurs : fractures régulateurs et disparités d’accès

    Seul 1 outil d’IA sur plus de 100 autorisés par la FDA pour diagnostic radiologique est approuvé pour utilisation pédiatrique. Ce déséquilibre criant reflète plusieurs déficits : absence de financement spécifique pédiatrique comparé aux adultes, absence de dispositif législatif comparable aux lois 2002-2003 sur développement pharmaceutique pédiatrique, et clarté réglementaire insuffisante sur l’âge d’utilisation des dispositifs IA.​

    Le cadre régulateur présente des failles majeures. L’FDA approuve 97% des dispositifs IA-activés via la voie 510(k) à bas/modéré risque, 22 via reclassification de novo, et seulement 4 via approbation prémarché pour risque élevé. Aucune voie régulatore n’a été formellement désignée pour IA/ML. De plus, les documents FDA publiquement disponibles omettent fréquemment les âges d’utilisation visés, empêchant les cliniciens de discerner si le logiciel a été validé pédiatriquement.​

    Risque de propagation des biais et inéquités systémiques

    Les enfants noires et latino-américaines reçoivent diagnostics autistiques 19% à 65% moins fréquemment que leurs pairs blancs, avec dispariités persistant indépendamment de la classe économique. L’IA codifie ces biais si entraînée sur données non-représentatives. Une majorité de datasets d’entraînement IA est dominée par données provenant de pays développés ; les algorithmes peuvent alors échouer chez enfants populations minoritaires, populations sous-médicalisées ou géographies insuffisamment représentées.​

    Canvas Dx a été conçu avec données diverses et déploie stratégies actives pour réduire biais (évaluation à domicile, analyse vidéo objective), mais ce modèle demeure exception. Pour algorithmes d’estimation de l’âge osseux, validations soulignent explicitement le besoin de tests rigoureux sur populations ethniquement diverses.​

    Inversement, même algorithmes non-biaisés implémentés inéquitablement perpétuent disparités. Familles sans accès fiable à ordinateurs ou connectivité internet ne peuvent accéder technologies numériques remotely-administered. Communautés sans infrastructure technologique ou faible « digital literacy » restent exclues. Cette fracture risque d’élargir inéquités existantes.​

    Défis d’intégration clinique et de dépendance technologique

    Adoption IA en pédiatrie se heurte à obstacles d’implémentation. Institutions doivent investir en infrastructure informatique, entraînement personnel et intégration workflows PACS/EMR. Coûts initiaux élevés et complexité technique peuvent exclure petits hôpitaux ou structures de ressources limitées.

    De plus, responsabilité clinique reste ambiguë. Si IA recommande diagnostic différent du jugement clinicien, qui porte responsabilité diagnostic erroné ? Cette tension crée incertitude légale et éthique. Cliniciens doivent demeurer « superviseur actif » ne se reposant pas unilatéralement sur recommandations IA—mais cette double-vérification neutralise gains de vitesse si implicitement requise.

    Défis données et représentativité : le problème pédiatrique spécifique

    Contrairement adultes où données massives alimentent IA clinique, données pédiatriques demeurent limitées. Status développemental variable (nouveau-né vs adolescent), tailles et physiologies différentes, conditions rares concentrées, fenêtres diagnostiques étroites—tout cela rend données pédiatriques intrinsèquement plus complexes à normaliser.

    Si modèles IA sont entraînés sur données population développées, généralisation à enfants pays en développement reste hautement douteuse. Variants phénotypiques rares, facteurs socio-économiques, accès healthcare disparate : datasets doivent capturer cette hétérogénéité pour maintenir fiabilité clinique.​

    Lacunes de validation et absence de suivi postmarché systématique

    FDA n’a pas établi suivi postmarché systématique pour dispositifs IA pédiatriques. Problème critique : algorithmes doivent être testé et revalidé après déploiement. Si performance dérive (dataset distribution change, bug intervient, conditions d’usage dévient de l’intended use), infrastructure manque pour détecter et escalader problèmes cliniquement.​

    Les Predetermined Change Control Plans (PCCP) proposés constituent progrès, mais implémentation reste volontaire et non-standardisée. Absence base centrale registry pédiatrique suivant sécurité et accuracy longitudinalement.

    Stratégies de déploiement et modèles économiques durables

    Lenval Foundation a déployé Milvue AI intégré à son imagerie pédiatrique, analysant 62 000 examens annuels pédiatriques/adultes avec sensibilité augmentée 20% pour fractures pédiatriques. Ce modèle illustre adoption réussie : intégration profonde infrastructure existante, mesure kpis concrets (sensibilité, délais), implication cliniciens dans validation.​

    O-Kidia a reçu labellisation DeepTech reconnaissant innovation biomédicale de rupture. Stratégie d’accessibilité multimodale : approche transdiagnostique réduit besoin données massives par incorporation expertise clinique. Essais cliniques rigoureux (jusqu’à 1 000 enfants) et validation scientifique soutiennent marketing médicale auprès hôpitaux publics et systèmes assurance.​

    Doctolib capitalise install base 50 millions utilisateurs français. Doctolib Parents gratuit initialement (monétisation via abonnement futur), réduisant barrières adoption médecins et parents. Partenariat institutions pédiatriques de référence légitime approche médicale.​

    Évaluation du paysage compétitif et positionnement stratégique

    Paysage solutions IA pédiatriques se structure selon trois axes : (1) radiologie diagnostique (AZmed, Gleamer, ImageBiopsy, Milvue—focus détection osseal, fractures, chest), (2) neurodéveloppement et psychiatrie (O-Kidia—TDAH/comorbidités, Cognoa—autisme), (3) surveillance continue et monitoring (Mount Sinai Pose AI, Université Montréal EEG brain age, myExam Companion).

    Chaque axe adresse besoin clinique distinct mais complémentaire. Fragmentação intentionnelle : radiologie pédiatrique se concentre sur workflows radiologue ; neurodéveloppement sur accès diagnostic hors spécialistes; monitoring sur surveillance NICU. Peu concurrence directe. Opportunity coopérative : plateforme intégrant radiation dose optimization (imagerie), diagnostic neurodeveloppement précis (O-Kidia), et parental engagement (Doctolib) redéfinirait standard pédiatrique.

    Perspectives réglementaires et cadre éthique émergent

    FDA reconnaît explicitly besoin guidance spécifique IA/ML (guidance draft janvier 2025 lifecycle management). Cependant, absence cadre pédiatrique destiné distinct. France et Europe entament régulation IA santé (Doselia project mentionné sources Gustav Roussy) avec emphase souveraineté données, explainability, et équité.

    Éthique pédiatrique implique droits enfants : droit accès équitable santé de qualité, transparence algorithm, consentement informé, protection données. Cognoa a obtenu remboursement Highmark Insurance (US) — modèle économique validé par payer commercial. Europe française tend vers modèle public/collectif.

    Synthèse stratégique et perspectives

    L’IA en pédiatrie redéfinit trois frontières cliniques : (1) compression temporelle diagnostique (autisme diagnostic en jours vs mois/années), (2) démocratisation accès (diagnostic TDAH accessible non-spécialistes primaires via Spectrum Mind; autisme via Canvas Dx remote), et (3) réduction exposition radiologique pédiatrique (imagerie assistée IA, doses réduites 20-30%).

    Opportunités stratégiques demeurent substantielles mais contingentes à résolution déficits regulators, accès équitable et validation clinique rigoureuse. Acteurs succès (Cognoa, O-Kidia, Milvue, AZmed) partagent trois caractéristiques : (i) focus domaine clinique restreint haute-validation, (ii) partenariats institutions pédiatriques de référence apportant crédibilité, (iii) engagement cycle complet données—entraînement, validation, déploiement, monitoring.

    Risques majeurs concentrent inéquités systémiques et gouvernance. Sans action volontaire, IA peut codifier diagnostiquer moins fréquemment enfants minority populations, exacerbant disparités existantes. Frameworks éthiques préalables et dataset diversity délibérée doivent précéder, non suivre, déploiement clinique.

    Horizon stratégique 2026-2030 : convergence probable entre solutions point-care (imagerie Lenval + diagnostic O-Kidia) et engagement patient-parent (Doctolib Parents) créerait écosystème pédiatrique digital de rupture. Infrastructure investissement publique (CHU, foundations) combinée avec écosystème startup français (O-Kidia, Milvue) et international (Cognoa) positionne opportunité unique d’export technologique pédiatrique français.

    Recommandations stratégiques : (1) Accélération funding innovation pédiatrique (equivalent Pediatric Research Equity Act US), (2) Standardisation datasets validation multi-site/multi-ethnique pédiatrique, (3) Intégration précoce bioétiquiciens et patient families dans co-design algorithmes, (4) Cadre réglementaire pédiatrique spécifique FDA/EMA établissant labeling clair, suivi postmarché obligatoire, (5) Modèles economiques pérennisant accès équitable via financements publics/assurance sociale. Ces leviers transformeraient innovations fragmentaires actuelles en standard universel de santé pédiatrique.

    Cartographie des solutions d’IA en pédiatrie @ HTI

     

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • Cartographie des acteurs Français qui transforment la prise en charge de pédiatrie

    Une prise en charge plurielle de la santé mentale et neurodéveloppementale

    La santé mentale des enfants est au cœur du dispositif pédiatrique français, prenant en compte les spécificités cliniques et sociales de chaque jeune patient. Les centres médico-psychologiques (CMP), les centres hospitaliers spécialisés (CHS) en pédopsychiatrie, et les Centres de Référence pour les troubles du neuro-développement assurent ensemble une réponse coordonnée et adaptée, souvent en lien avec les maisons d’enfants à caractère social (MECS). Ces structures fonctionnent en synergie, animées par une volonté de contextualisation et de globalité dans la prise en charge. La recherche et l’innovation accompagnent cette dynamique, notamment par le biais de l’Institut national de la santé et de la recherche médicale (Inserm), moteur d’avancées cliniques et technologiques. Parmi les acteurs académiques majeurs, l’Institut hospitalo-universitaire (IHU) Imagine et l’Institut Necker-Enfants malades occupent une place essentielle, en fédérant des experts autour de la compréhension des maladies infantiles et du développement de nouveaux protocoles basés sur les connaissances scientifiques les plus récentes.

    Oncologie pédiatrique : un réseau d’excellence multidisciplinaire

    L’oncologie pédiatrique en France s’appuie sur un réseau dense qui intègre des établissements hospitaliers de pointe, des instituts de recherche et des collectifs associatifs. Le partenariat entre l’AP-HP, Gustave Roussy, l’Institut Curie et Paris Kids Cancer illustre cette complémentarité. Ces acteurs unissent leurs forces pour offrir une prise en charge innovante, multidimensionnelle et centrée sur la qualité de vie des jeunes patients. Le rôle de l’Institut National du Cancer (INCa) est primordial dans le financement et la coordination de la stratégie nationale, marquée par des efforts importants pour structurer une recherche intégrée. Dans cette optique, les collectifs associatifs comme UNAPECLE, GRAVIR ou la Fédération Grandir Sans Cancer complètent le tableau, en agissant sur les volets informations, droits des patients et soutien aux familles, tout en veillant à l’accès équitable aux innovations.

    Néonatologie : un soin attentif et technologiquement soutenu

    La néonatologie française est caractérisée par une concentration d’expertises autour des besoins des nouveau-nés fragiles ou prématurés, avec un réseau structuré d’unités dédiées et d’associations de soutien. La Société Française de Néonatologie (SFN) est une instance pivot pour la diffusion des bonnes pratiques, en particulier celles intégrant les nouvelles technologies et approches interdisciplinaires. Le soutien apporté par des associations comme SOS Préma, qui accompagne les familles, témoigne d’une volonté d’humaniser cette phase critique par un accompagnement global. L’AFM-Téléthon joue un rôle majeur en matière de dépistage néonatal et de recherche sur les maladies génétiques rares associées, favorisant un écosystème capable d’innover tout en maintenant le cap sur la qualité et la sécurité des soins.

    Maladies génétiques rares : mobiliser la recherche et la coordination

    Les maladies rares pédiatriques mobilisent un ensemble d’acteurs qui convergent vers une meilleure coordination et une recherche toujours plus efficiente. L’Institut Imagine, avec son ancrage hospitalo-universitaire, fait figure de centre de gravité, fédérant médecins, chercheurs et patients autour d’une mission commune. À l’échelle régionale et nationale, la plateforme d’expertise maladies rares Paris Nord rassemble plusieurs centres hospitaliers et laboratoires, renforçant les échanges et harmonisant les pratiques cliniques. L’INSERM via des réseaux tels que PEDSTART soutient quant à lui la recherche clinique pédiatrique à base translationnelle et insiste sur une collaboration interinstitutionnelle pour accélérer les progrès.

    Maladies chroniques : éducation et prévention en réseau

    Face à l’augmentation des maladies chroniques comme l’asthme ou l’obésité, la France a structuré des réseaux d’acteurs dédiés, alliant établissements, professionnels de terrain et associations locales. Ces réseaux travaillent avec une attention particulière sur l’éducation thérapeutique et l’accompagnement à long terme des patients et de leurs familles. La Fondation des Hôpitaux, à travers ses campagnes Pièces Jaunes, soutient des programmes innovants visant à améliorer la qualité de vie des enfants malades chroniques. L’Association Française de Pédiatrie Ambulatoire (AFPA) joue également un rôle crucial en encourageant l’intégration opérationnelle des outils numériques dans la pratique ambulatoire, favorisant une médecine proactive et centrée sur le patient.

    Radiologie pédiatrique : un secteur en pleine évolution collaborative

    La radiologie pédiatrique bénéficie d’une attention particulière de la part du corps médical et des chercheurs, réunis au sein des grands hôpitaux comme Necker et Robert-Debré. Ces centres collaborent étroitement avec des laboratoires universitaires et des équipes de recherche technologique, illustrant une dynamique fertile d’échanges. La chaire AI-4-Child, portée par IMT Atlantique, témoigne de cette synergie entre monde académique et hospitalier. En parallèle, des conférences nationales et européennes organisées régulièrement créent un espace de réflexion et de formation sur les usages responsables et efficaces de l’intelligence artificielle dans ce domaine.

    Sociétés savantes, syndicats et associations professionnelles dans l’écosystème IA

    La Société Française de Pédiatrie (SFP) pilote la diffusion des bonnes pratiques, formations et recommandations pour intégrer l’IA dans les soins pédiatriques. Elle collabore avec PedStart et les comités d’évaluation des outils numériques, soutenant la formation aux outils IA.​Les syndicats comme le SNPF et le SNPEH accompagnent l’adoption des technologies numériques et intelligentes par la formation, notamment en téléconsultation et e-santé pédiatrique. Les associations de patients jouent un rôle essentiel dans l’acceptabilité de l’IA, notamment les fédérations neurodéveloppementales et maladies rares qui collaborent à des projets intégrant IA et suivi personnalisé

  • L’IA en pédiatrie : un inventaire des cas d’usage déployés en France

    La détection précoce et le diagnostic : le cœur des usages actuels

    C’est dans la détection et le diagnostic que l’IA est aujourd’hui la plus visible en pédiatrie. L’objectif est toujours le même : repérer plus tôt, objectiver mieux et réduire l’errance diagnostique, en particulier pour des pathologies rares ou complexes.

    En néonatalogie, le projet NewBorn NeuroDigital, déployé à l’hôpital Armand-Trousseau (AP-HP), s’attaque à une situation d’urgence absolue : l’asphyxie périnatale. L’IA synthétise automatiquement les enregistrements EEG réalisés dans les six heures suivant la naissance pour aider les réanimateurs à décider de la mise en hypothermie thérapeutique. L’outil s’appuie sur une étude rétrospective portant sur 104 nouveau-nés, suivis entre 2005 et 2020, et permet à la fois de gagner du temps et d’homogénéiser la qualité de la décision, y compris lorsque l’expertise en neurophysiologie est limitée.

    Toujours dans les tout premiers jours de vie, le projet AGMA-PESS du CHU de Saint-Étienne automatise l’analyse des mouvements spontanés des prématurés. L’IA détecte les points clés du corps du nourrisson, sélectionne les séquences vidéo les plus riches en informations et aide les experts à repérer les anomalies motrices précoces. Ce cas d’usage illustre une IA qui ne remplace pas l’examen clinique, mais lui fournit une mesure objective et reproductible, essentielle pour déclencher des interventions précoces.

    La même logique se retrouve plus tard dans le parcours, avec les travaux de l’unité R2P2 à l’hôpital Raymond-Poincaré : l’analyse vidéo et la vision par ordinateur sont mobilisées pour caractériser la motricité des enfants atteints de maladies neuromusculaires ou de polyhandicap. À terme, les parents pourraient filmer leur enfant à domicile sur un fond uni, et l’IA aiderait à repérer des anomalies motrices subtiles, orientant plus vite vers une consultation spécialisée.

    Dans le champ des maladies rares, le projet AIDY à Necker-Enfants malades (AP-HP) s’appuie sur l’IA appliquée à des photographies cliniques pour améliorer le diagnostic du syndrome Kabuki, une affection génétique très rare. En analysant 364 photos de 107 patients, l’algorithme apprend à détecter automatiquement ce syndrome à partir des traits du visage et même à distinguer différents types de mutations causales. Ici, l’IA devient un outil clé pour réduire l’errance diagnostique et permettre un accompagnement plus précoce des enfants.

    L’IA s’invite aussi dans la neuroréhabilitation avec le projet AI-4-CHILD, financé par l’ANR, dédié à la paralysie cérébrale, déficience motrice la plus fréquente chez l’enfant (2,1 cas pour 1 000 naissances, soit environ 125 000 personnes en France). Ce programme, porté par l’IMT Atlantique et le CHRU de Brest, développe des méthodes d’analyse d’images IRM pour un diagnostic plus précoce ainsi que des séquences d’IRM dynamiques permettant de suivre les mouvements de l’enfant et d’optimiser la rééducation de la marche. L’IA est utilisée à la fois pour reconstruire des images haute résolution et pour extraire des paramètres biomécaniques, transformant l’IRM en véritable outil de suivi fonctionnel.

    Enfin, la pédopsychiatrie commence elle aussi à se doter d’outils d’IA. L’application ESRA, développée par la Hamad Bin Khalifa University, analyse les dessins d’enfants de 5 à 10 ans et, grâce à un modèle DenseNet, atteint 84 % de précision pour l’évaluation émotionnelle. Loin de remplacer le pédopsychiatre, cet outil constitue un indicateur de dépistage standardisé des troubles psychologiques ou du stress.

    Imagerie pédiatrique : standardiser, réduire les doses et objectiver la croissance

    La radiologie pédiatrique est l’un des terrains les plus avancés en matière d’IA.

    Sur le versant de la croissance, plusieurs solutions – PANDA (ImageBiopsy Lab), TechCare Kids (Milvue) et BoneAge (Gleamer) – automatisent l’évaluation de l’âge osseux à partir des radiographies de la main, en s’appuyant sur la méthode de Greulich et Pyle. Utilisées notamment au CHU de Lille, elles génèrent des rapports structurés directement dans les environnements habituels des radiologues. L’intérêt est double : standardiser une mesure clé pour le diagnostic des troubles endocriniens et libérer du temps médical sur une tâche répétitive.

    Sur le plan de l’imagerie en coupes, des outils comme myExam Companion (Siemens Healthineers), déployé à la Fondation Lenval, adaptent en temps réel les paramètres du scanner aux caractéristiques de l’enfant et améliorent le centrage grâce à une caméra 3D. L’IA permet de réduire significativement la dose de rayonnement tout en maintenant une qualité d’image satisfaisante, un enjeu majeur pour des patients particulièrement sensibles à l’irradiation.

    L’imagerie devient ainsi un terrain de jeu privilégié pour l’IA en pédiatrie : mieux voir, avec moins de rayons, et interpréter plus vite des volumes de données de plus en plus importants.

    Rationaliser les urgences et la régulation : l’IA comme copilote de triage

    Les urgences pédiatriques et la régulation téléphonique sont confrontées à un afflux de demandes, avec une obligation de prioriser.

    Un premier cas d’usage vient du SAMU pédiatrique : dans le cadre d’un enseignement dédié à l’IA pour l’aide à la décision clinique à Université Paris Cité, des étudiants de 4ᵉ année de médecine ont conçu un prototype d’outil de régulation pour le SAMU pédiatrique. L’application vise à prioriser le degré d’urgence, proposer des recommandations et offrir une interface ergonomique aux médecins régulateurs. Le projet a donné lieu à deux articles indexés sur PubMed et à plusieurs présentations en congrès. Une nouvelle phase est en préparation, intégrant cette fois du machine learning à partir des données générées par l’outil pour repérer automatiquement les situations les plus critiques.

    Aux urgences pédiatriques, une étude publiée dans JAMA Network Open décrit un modèle de machine learning entraîné sur les données de 77 219 patients âgés de 0 à 18 ans dans un hôpital tertiaire de Toronto. L’algorithme prédit, dès l’arrivée du patient, la probabilité de réaliser certains examens (analyse d’urine, ECG, échographies, radiographie de l’avant-bras, etc.), et permet de préordonner les examens d’imagerie avant même l’évaluation médicale complète. Résultat : un gain de temps dans le parcours et une rationalisation des ressources en imagerie.

    En complément, en ville, la solution CareCall propose un assistant conversationnel dédié aux cabinets et centres de santé pédiatriques. Il prend en charge les appels entrants, détecte les situations urgentes selon des critères pédiatriques, oriente vers la bonne ressource, gère les rendez-vous et soulage les secrétariats. Là encore, l’IA est utilisée comme filtre intelligent pour absorber la charge, sans renoncer à la sécurité.

    Personnaliser et sécuriser les traitements : de l’oncologie à l’épilepsie

    En oncologie pédiatrique, l’IA est mise au service de décisions thérapeutiques particulièrement délicates.

    Le programme DOSELIA, piloté par Gustave Roussy, modélise les doses reçues par les enfants lors de la radiothérapie, y compris les expositions indirectes liées aux actes d’imagerie. En s’appuyant sur le registre HARMONIC-Radiotherapy, l’IA aide à prédire les risques à long terme, comme l’apparition de cancers secondaires, et à ajuster les protocoles pour optimiser le rapport bénéfices/risques.

    Le modèle PACpAInt (Owkin), utilisé notamment à la Pitié-Salpêtrière, s’intéresse à l’hétérogénéité moléculaire des tumeurs en combinant images histologiques et données transcriptomiques. Il permet d’identifier des sous-types tumoraux et des niveaux d’activité stromale afin de stratifier finement les patients et de guider le choix thérapeutique. Même si ce modèle n’est pas exclusivement pédiatrique, il ouvre la voie à une oncologie de précision applicable aux cancers de l’enfant.

    Au-delà du choix du traitement, la sécurisation des thérapeutiques est un autre terrain clé. La solution DrugCam (Eurekam) surveille en temps réel la préparation des chimiothérapies grâce à une caméra intelligente et des algorithmes de reconnaissance visuelle. Utilisée depuis plus de dix ans au CH de La Rochelle et désormais dans plus de 100 établissements, elle a permis d’intercepter plus de 500 erreurs graves potentielles sur 313 000 scénarios de préparation. Pour la pédiatrie, où les marges de dose sont particulièrement étroites, cette IA joue un rôle de filet de sécurité majeur.

    Dans le champ de l’épilepsie infantile, l’hôpital Necker-Enfants malades a mobilisé la suite codoc (dérivée de l’outil Dr Warehouse) pour accélérer une étude rétrospective sur le syndrome de West. Grâce à l’entrepôt de données de santé et aux outils d’exploration, les équipes ont pu constituer rapidement une cohorte de patients et évaluer l’efficacité d’un algorithme de traitement séquentiel (Vigabatrin puis stéroïdes). Ce cas d’usage illustre une IA moins visible pour le patient, mais essentielle pour tester, comparer et ajuster les stratégies thérapeutiques à partir des données réelles de l’hôpital.

    Maladies chroniques et éducation thérapeutique : une IA plus ludique et relationnelle

    Les maladies chroniques de l’enfant – en particulier le diabète de type 1 – commencent elles aussi à bénéficier de cas d’usage d’IA, souvent orientés vers l’éducation thérapeutique.

    Un exemple emblématique est celui du jeu sérieux T1D Learning Camp, développé à Harvard et présenté dans le blog de Linkidoc. Ce jeu vidéo intègre une IA générative pour permettre aux enfants d’avoir de véritables conversations avec des personnages virtuels autour de leur diabète : alimentation, glycémie, gestion du quotidien. Après une phase pré-programmée où l’enfant apprend un concept (par exemple la différence entre aliments à pic glycémique rapide ou lent), des dialogues générés par l’IA viennent tester sa compréhension et relier ce savoir à sa vie de tous les jours.

    Le jeu repose sur la reconnaissance vocale et la synthèse de la parole, ce qui le rend accessible aux plus jeunes qui ne savent ni lire ni écrire. Il est aussi capable de s’adapter culturellement, en générant des images d’aliments correspondant aux habitudes et aux cuisines locales. Ce cas d’usage montre comment l’IA peut transformer l’éducation thérapeutique en expérience ludique, personnalisée et inclusive, en particulier pour des enfants confrontés à une pathologie chronique à vie.

    Dans une autre dimension de la chronicité, la plateforme AIConnectsCare propose un suivi connecté des bébés prématurés et des patients nécessitant des soins de longue durée. Les familles peuvent suivre l’état de santé en temps réel, interagir avec les équipes médicales et mieux comprendre l’évolution. L’IA y est utilisée pour organiser l’information, faciliter la communication et réduire l’anxiété, en particulier dans les parcours longs et complexes.

    Valoriser les données pédiatriques rares : plateformes et entrepôts augmentés

    Enfin, plusieurs cas d’usage se situent au niveau de l’infrastructure de données, indispensable pour faire progresser la recherche pédiatrique.

    Le projet Share4Kids, porté par le Centre Léon Bérard, vise à centraliser les données sur les cancers de l’enfant dans une plateforme bioinformatique dédiée. L’IA est utilisée pour analyser ces données rares et soutenir la recherche, en permettant d’atteindre une masse critique sur des pathologies peu fréquentes.

    À Necker et à l’Institut Imagine, l’outil Dr Warehouse devenu la suite codoc illustre une autre facette de ces plateformes : en facilitant l’exploration de l’entrepôt de données de santé, il permet aux cliniciens de constituer des cohortes, lancer des études rétrospectives et tester des hypothèses à partir des données de soin. Ces briques d’IA ne sont pas directement visibles par les patients, mais elles conditionnent la capacité des équipes à concevoir des cas d’usage cliniques robustes.

    Vers une pédiatrie plus anticipatrice, personnalisée et connectée

    Pris ensemble, ces cas d’usage dessinent une trajectoire claire : l’IA en pédiatrie se concentre aujourd’hui sur trois grands rôles – mieux détecter, mieux décider, mieux accompagner – avec une forte implantation dans les CHU et hôpitaux spécialisés.

    Les domaines les plus couverts sont la néonatalogie, l’oncologie, la radiologie et les maladies rares, tandis que l’asthme, l’obésité ou les troubles des apprentissages restent encore peu outillés. Mais les premiers signaux sont là : de la régulation au SAMU pédiatrique aux jeux vidéo éducatifs pour le diabète, l’IA commence à s’inscrire dans le quotidien des enfants et de leurs familles.

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>

  • Prédiction, classification, suivi : les solutions d’IA appliquées au diabète

    L’IA dépasse 94% de précision pour prédire le diabète en soins primaires

    La multiplication des données de santé, issues de la biologie, de l’imagerie et des capteurs, ouvre de nouvelles perspectives pour la prédiction du diabète. L’IA exploite ces flux d’informations pour identifier précocement les patients à risque et ajuster les stratégies de prévention. En août 2024, une synthèse publiée dans The Lancet Diabetes & Endocrinology décrit le potentiel des réseaux neuronaux et des techniques d’apprentissage profond dans la détection du diabète de type 1 et de type 2. En soins primaires, les modèles d’IA prévoient la survenue d’un diabète avec une précision supérieure à 94 %, dépassant les modèles statistiques traditionnels. Des études chinoises et américaines ont testé de nouvelles modalités de dépistage à partir d’images de la langue, du visage ou de signaux biométriques tels que la photopléthysmographie et l’électrocardiogramme. Le modèle DiabDeep, développé à l’Université de Princeton, a atteint une exactitude de 96,3 % pour distinguer patients diabétiques et non diabétiques. En 2024, une étude canadienne publiée dans Scientific Reports a exploré l’analyse de la voix par IA, révélant des variations corrélées à la glycémie.

    L’IA affine la classification du diabète en 5 sous‑types et 7 profils DT1

    L’intelligence artificielle permet également une stratification plus fine des formes de diabète et du prédiabète. Des approches de clustering et d’apprentissage supervisé relient profils biocliniques, dynamiques glycémique et risques, avec des perspectives de traitements ciblés. Une cohorte suédoise de 8 980 patients récemment diagnostiqués a permis, dès 2018, d’identifier cinq clusters à partir d’anticorps anti‑GAD, âge, IMC, HbA1c et HOMA. L’algorithme a distingué SAID, SIDD, SIRD, MORD et MARD, avec des trajectoires et risques de complications différenciés dès le diagnostic. Cette classification propose une orientation thérapeutique plus précise que la répartition binaire, en intégrant auto‑immunité, déficit insulinique, résistance à l’insuline, obésité et âge.

    Prédiction des valeurs, personnalisation du traitement, assistance nutritionnelle : de nouveaux outils pour la prise en charge du diabète

    Ces études permettent de développer des solutions d’IA et d’améliorer la prise en charge du diabète en intégrant capteurs, algorithmes prédictifs et outils de suivi à distance. Les technologies modifient la pratique médicale et l’autonomie des patients. La gestion du diabète implique un contrôle constant de la glycémie et une administration adaptée de l’insuline. Les algorithmes d’IA optimisent ces paramètres par l’analyse continue de données issues de dispositifs connectés, ce qui facilite la régulation et la prévention des complications.

    Cibles des solutions d’IA appliquées au diabète : 

    • Diminution du temps hors cible : Des modèles issus des systèmes de surveillance continue du glucose (CGM) et dossiers médicaux prédisent les variations glycémiques jusqu’à 3 heures, avec bonne sensibilité et spécificité pour l’hypoglycémie. L’intégration au suivi permet ajustements proactifs des doses, planification de l’activité et gestion des repas.
    • Pancréas artificiel et prédiction : Les systèmes associent pompe, CGM et algorithme pour maintenir la glycémie dans la cible. Les AID ajustent la basale toutes les 5–10 minutes, appliquent des corrections et suspendent en cas de risque d’hypoglycémie. Un CGM avancé alerte jusqu’à 1 heure avant. Un pancréas bionique basé sur le poids supprime la saisie des glucides et, à 13 semaines, réduit l’HbA1c de 0,6 point et augmente le temps dans la cible d’environ 11%.
    • Alimentation, activité, glycémie : La reconnaissance d’images automatise le comptage des glucides. Le coaching avec IA adapte conseils nutritionnels, rappels et observance. Les applications combinent glycémie et habitudes de vie pour des recommandations personnalisées, avec chatbots nutritionnels pour des menus adaptés.
    • Détection des anomalies en temps réel (ex : rétinopathie diabétique) : Les dispositifs connectés analysent en continu les données, déclenchent des alertes et soutiennent le triage. Des systèmes diagnostiquent précocement la rétinopathie par analyse d’images rétiniennes.
    • Néphropathie diabétique : Des modèles combinant données cliniques et imagerie rétinienne dépassent les scores rénaux classiques. Une étude multicentrique 2024 sur >26 000 images ultra grand‑angle montre une meilleure détection, y compris avec images de moindre qualité.

    DTx et IA : de nouvelles approches pour le suivi personnalisé du diabète

    Plusieurs entreprises proposent des thérapies digitales dédiées à la prise en charge du diabète. Ces solutions, mêlent données issues des capteurs, algorithmes prédictifs et outils de télésuivi, pour renforcer l’autonomie des patients et améliorer les modèles de soins.

    Les thérapies digitales (DTx) s’imposent progressivement dans la gestion du diabète. Ces DTx associent montres connectées, capteurs et applications mobiles pour accompagner les patients diabétiques de type 1 ou 2 dans le suivi de leur glycémie. Certaines entreprises exploitent les bénéfices de l’intelligence artificielle afin d’anticiper les fluctuations glycémiques. C’est le cas de l’application Hillo, qui synchronise les données issues de la pompe à insuline, du capteur de glycémie et du traqueur d’activité. D’autres, comme Oviva (DTx développé par Oviva AG) utilise l’IA pour fournir des recommandations d’alimentation personnalisées et adaptées aux patients diabétiques.

    Autre solution SPUR, d’Observia, un outil numérique fondé sur les sciences comportementales qui permet d’évaluer l’adhésion thérapeutique des patients. Il établit des profils comportementaux à partir de quatre dimensions et treize facteurs influençant l’observance. Cette approche prédictive aide à identifier les risques de non-adhérence et à formuler des recommandations personnalisées. SPUR est utilisé en recherche, en clinique et dans l’amélioration de l’expérience patient.

    De l’autosurveillance au dépistage : l’IA redessine le suivi du diabète

    Les outils d’autosurveillance constituent la catégorie la plus représentée après les DTx. Des solutions recensées permettent de digitaliser le carnet d’autosurveillance traditionnel. Des acteurs comme Cubesoft avec DiabetoLog ou Beato proposent des interfaces combinant carnet de bord, glucomètre et suivi des apports en glucides. Ces dispositifs favorisent un suivi autonome du diabète. En complément, sept solutions de télésurveillance permettent un encadrement à distance supervisé par des équipes médicales. Teladoc Health, via son outil Livongo, intègre accompagnement personnalisé et recommandations thérapeutiques. Medtronic utilise l’IA pour anticiper les déséquilibres glycémiques. La prévention des complications et le diagnostic précoce sont des usages appliqués au diabète. Des dispositifs dotés de fonctions de mesure et d’analyse contribuent par exemple à détecter les complications et pathologies associées, notamment dans les maladies oculaires. E-ophtalmo déploie une plateforme de télé-expertise dédiée au dépistage de la rétinopathie diabétique, pathologie fréquente chez les patients de longue durée. Aussi, Odysight (Tilak Healthcare) permet de suivre, via une application mobile, le suivi des maladies rétiniennes. La technologie intègre des tests visuels (acuité, grille d’Amsler) et un algorithme qui mesure par exemple la distance oeil-écran. Le système alerte les médecins et ophtalmologues en cas de baisse visuelle. Un tableau de bord permet de suivre l’évolution.

    Solutions pour : le dépistage et l’imagerie rétinienne

    La solution EviRed avec l’AP‑HP–Fondation Rothschild pour optimiser le tri et la priorisation des patients en ophtalmologie

    Le dépistage assisté par IA structure un flux de lecture standardisé et rapide des imageries rétiniennes, avec des algorithmes entraînés sur photographies fond d’œil, ultra grand champ et OCT‑A. Des établissements hospitaliers français, dont Lariboisière (AP‑HP), la Fondation Rothschild, la Pitié‑Salpêtrière et le CHU de Bordeaux, se positionnent sur des projets combinant classification, tri et prédiction d’évolution de la rétinopathie diabétique, afin d’orienter le suivi et d’optimiser les rendez‑vous en ophtalmologie.

    • EviRed, dans sa déclinaison projet conduite avec des équipes de l’AP‑HP et de la Fondation Rothschild, fusionne caractéristiques visuelles multi‑modalités et données cliniques pour produire une évaluation de risque évolutif. L’usage attendu en service vise un tri plus efficace des patients, une priorisation adaptée aux profils à risque, une réduction des visites non nécessaires et une aide à la décision pour les praticiens. Les sites mentionnés ancrent le projet dans des conditions réelles de soins avec des volumes d’images validées et un objectif de déploiement territorial.
    • OphtAI déploie une détection IA de la rétinopathie diabétique et d’autres atteintes rétiniennes, avec des références au CHU de Brest et à la Clinique Honoré Cave. L’ambition porte sur un dépistage plus précoce, une diminution des coûts d’un diagnostic manuel et une accélération de l’analyse, afin d’augmenter la capacité de prise en charge. L’assistance à la décision complète la chaîne du dépistage au suivi. Les bénéfices observés dans cette catégorie concernent l’augmentation de la capacité de screening et la réduction du temps d’analyse, l’anticipation de l’évolution des lésions et le tri par niveau de risque. La continuité domicile‑hôpital progresse via la télésurveillance visuelle (Odysight) tandis que des projets de très haute résolution (RetiCell) et des estimations de risque cardio‑vasculaire à partir d’images rétiniennes (THEIA/CLAiR) élargissent les usages au‑delà de l’ophtalmologie stricto sensu.

    Solutions pour : les boucles hybrides et l’insulinothérapie

    Les solutions connectées Medtronic et Axodiab optimisent la gestion du diabète

    Les systèmes d’administration d’insuline couplés au suivi glycémique en continu automatisent une partie des décisions grâce à des algorithmes adaptatifs. L’objectif est de personnaliser la délivrance d’insuline, de lisser les fluctuations glycémiques et de réduire la charge mentale liée à l’autogestion, tout en facilitant la coordination entre patient, équipe d’éducation thérapeutique et spécialistes.

    • La MiniMed 780G de Medtronic combine pompe, CGM et algorithme SmartGuard pour ajuster l’insuline toutes les cinq minutes avec une cible paramétrable jusqu’à 100 mg/dL. Des bénéfices attendus incluent un temps dans la cible, moins d’hyper et d’hypoglycémies, ainsi qu’un allègement du quotidien pour les patients et leurs aidants.
    • Axodiab, orientée vers les professionnels en diabétologie, soutient la gestion des patients DT2 sous schéma basal‑bolus, avec une collaboration au CHU de Reims pour l’interprétation experte à distance. La solution vise une organisation plus structurée des parcours multi‑injections et une articulation plus fluide entre équipes de terrain et expertise spécialisée.  Les bénéfices résident dans l’automatisation sécurisée et la personnalisation thérapeutique, traduites par des gains d’indicateurs glycémiques et une réduction de l’effort cognitif sur la gestion quotidienne. L’intégration aux dispositifs connectés et la remontée de données en temps quasi réel favorisent les ajustements rapides et la continuité de prise en charge entre ville et hôpital.

    Solutions pour : les thérapies numériques et l’observance

    SPUR et Smart Reports améliorent l’adhésion et l’autogestion thérapeutique en diabétologie

    Les solutions numériques thérapeutiques et les outils d’observance se concentrent sur l’éducation, l’accompagnement et la personnalisation des recommandations, appuyés par des moteurs ML/NLP et l’intégration de données cliniques et comportementales. L’enjeu est d’améliorer l’adhésion, de rendre les messages médicaux actionnables, et de fournir aux soignants des informations exploitables dans le temps contraint de la consultation.

    • SPUR d’Observia propose un profilage de l’adhérence à partir de quatre dimensions et treize facteurs, afin d’estimer le risque de non‑adhérence et de générer des recommandations ciblées pour réduire les abandons et améliorer l’alignement entre prescriptions et comportements quotidiens.
    • Smart Reports de Medicus AI interprète des résultats de laboratoire et fournit des explications adaptées au patient grâce à un moteur cardio‑métabolique et à une intégration via API/SDK côté laboratoire. Les effets recherchés couvrent une meilleure compréhension, et un engagement plus fort. Les bénéfices de la catégorie portent sur la réduction des coûts de non‑adhérence, l’amélioration de l’autogestion et la traduction de données techniques en informations utilisables. Les portails cliniciens et les rapports structurés facilitent la décision et resserrent la relation soignant‑patient.

    Solutions pour : la télésurveillance et le suivi à domicile

    Odysight permet un suivi à domicile avec alertes patient‑médecin et dashboard

    La télésurveillance rend possible un suivi fréquent et standardisé des paramètres fonctionnels ou des trajectoires cliniques, avec alertes et tableaux de bord pour les équipes. Elle vise une détection précoce des dégradations et une meilleure préparation des rendez‑vous.

    • Odysight propose des tests visuels à domicile pour pathologies rétiniennes, avec contrôle automatisé de la distance œil‑écran et de la luminosité, notifications vers le patient et l’ophtalmologiste, et un tableau de bord médical. Une étude citée (TIL‑002) documente la concordance des mesures avec les standards ETDRS, et la solution est présentée en classe I.
    • SOPHIA Weight Trajectory Predictor, développé autour de cohortes du CHU de Lille et de validations multi‑sites, calcule une courbe personnalisée de perte de poids sur soixante mois après chirurgie bariatrique à partir de sept variables préopératoires. L’outil accessible en ligne soutient la préparation et le suivi, en ciblant les écarts de trajectoire qui signalent un besoin d’ajustement clinique. Les bénéfices de la catégorie incluent un passage d’actes ponctuels à une observation continue, un repérage plus précoce des signaux faibles et une priorisation plus fine des ressources. La coordination domicile‑hôpital gagne en efficacité grâce aux notifications automatisées et à la visualisation de tendances utilisables en consultation.

    Solutions pour : la prévention et le dépistage populationnels

    Colive Voice analyse la voix pour repérer le DT2

    Les approches de prévention et de dépistage à large échelle exploitent des modalités non invasives ou peu contraignantes, afin d’identifier précocement des sujets à risque métabolique et cardio‑vasculaire. L’objectif est de réduire les barrières d’accès, le coût unitaire de dépistage et les délais d’orientation vers le diagnostic et le soin.

    • Colive Voice s’appuie sur des biomarqueurs vocaux et des algorithmes d’apprentissage pour un dépistage du DT2 non invasif, avec un ancrage au Luxembourg Institute of Health. L’usage visé concerne des populations larges et des contextes où l’accessibilité des examens classiques est limitée, pour une première stratification des risques.
    • THEIA/CLAiR, déployé au Middlemore Eye Hospital (Auckland), automatise, en quelques secondes, l’analyse rétinienne pour signes de diabète et propose une estimation du risque cardio‑vasculaire à cinq ans. Les effets attendus incluent une hausse de la capacité de screening et une réduction des coûts de main‑d’œuvre, avec un positionnement à l’interface entre ophtalmologie et prévention cardio‑métabolique. Les bénéfices de la catégorie se matérialisent par des trajectoires de soins plus courtes entre repérage et confirmation diagnostique, un tri précoce des individus à haut risque et une meilleure allocation des capacités cliniques. La complémentarité avec les chaînes d’imagerie et de télésurveillance renforce l’efficacité populationnelle des parcours.

     

    @helene-barberoussedeuxiemeavis-fralth & Tech Intelligence

    <span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span><span data-mce-type= »bookmark » style= »width: 0px;overflow: hidden;line-height: 0″ class= »mce_SELRES_start »></span>